Previous work on feature weighting

Previous work on feature weighting for case-based learning
algorithms has tended to use either global weights or weights that vary
over extremely local regions of the case space. This paper examines the
use of coarsely local weighting schemes, where feature weights are allowed
to vary but are identical for groups or clusters of cases. We present a new
technique, called class distribution weighting (CDW), that allows weights
to vary at the class level. We further extend CDW into a family of related
techniques that exhibit varying degrees of locality, from global to local.
The class distribution techniques are then applied to a set of eleven
concept learning tasks. We nd that one or more of the CDW variants
signicantly improves classication accuracy for nine of the eleven tasks.
In addition, we nd that the relative importance of classes, features, and
feature values in a particular domain determines which variant is most
successful

ผลลัพธ์ (ไทย) 1:

น้ำหนักคุณลักษณะการเรียนรู้กรณีงานก่อนหน้านี้อัลกอริทึมได้มีแนวโน้มที่จะ ใช้น้ำหนักของโลกหรือน้ำหนักที่แตกต่างกันไปผ่านแคว้นพื้นที่กรณีท้องถิ่นมาก ตรวจสอบเอกสารนี้ใช้โครงร่างภายในหยาบน้ำหนัก ที่อนุญาตให้ใช้คุณลักษณะน้ำหนักจะแตกต่างกันไป แต่เหมือนกันสำหรับกลุ่มหรือคลัสเตอร์ของกรณีนั้น เรานำเสนอใหม่เทคนิค ที่เรียกว่าคลาสกระจายน้ำหนัก (CDW), ซึ่งช่วยให้น้ำหนักการเปลี่ยนระดับชั้น เราขยาย CDW ในครอบครัวที่เกี่ยวข้องเพิ่มเติมเทคนิคที่แสดงองศาที่แตกต่างของท้องถิ่น จากส่วนกลางสู่ท้องถิ่นแล้วใช้เทคนิคการกระจายชั้นชุด 43แนวคิดการเรียนรู้งาน เรา nd ที่น้อยย่อย CDWsigni cantly ช่วยเพิ่มความแม่นยำ cation classi สำหรับเก้าสิบเอ็ดงานนอกจากนี้ เรา nd ที่มีความสำคัญของการเรียน คุณลักษณะ และกำหนดค่าคุณลักษณะในโดเมนเฉพาะเป็นส่วนใหญ่ประสบความสำเร็จ

ผลลัพธ์ (ไทย) 2:

การทำงานก่อนหน้านี้น้ำหนักคุณลักษณะสำหรับกรณีที่ใช้การเรียนรู้ขั้นตอนวิธีการมีแนวโน้มที่จะใช้ทั้งน้ำหนักทั่วโลกหรือน้ำหนักที่แตกต่างกันมากกว่าภูมิภาคท้องถิ่นมากของพื้นที่กรณี กระดาษนี้จะตรวจสอบการใช้งานของหยาบแผนการน้ำหนักท้องถิ่นที่น้ำหนักคุณลักษณะที่ได้รับอนุญาตจะแตกต่างกันแต่ที่เหมือนกันสำหรับกลุ่มหรือกลุ่มของผู้ป่วย เรานำเสนอใหม่เทคนิคที่เรียกว่าการกระจายน้ำหนักระดับ (CDW) ที่ช่วยให้น้ำหนักจะแตกต่างกันในระดับชั้นเรียน เราขยาย CDW มาในครอบครัวที่เกี่ยวข้องของเทคนิคที่แสดงองศาที่แตกต่างของท้องถิ่นจากทั่วโลกเพื่อท้องถิ่น. เทคนิคการจัดจำหน่ายชั้นจะนำไปใช้แล้วชุดของสิบเอ็ดงานการเรียนรู้แนวคิด เรา nd ที่หนึ่งหรือมากกว่าของ CDW สายพันธุ์อย่างมีนัยสำคัญช่วยเพิ่มความแม่นยำไอออนจัดประเภทเก้าของงานที่สิบเอ็ด. นอกจากนี้เรา nd ว่าความสำคัญของการเรียนคุณสมบัติและค่าคุณลักษณะในโดเมนเฉพาะกำหนดตัวแปรเป็นส่วนใหญ่ที่ประสบความสำเร็จ

ผลลัพธ์ (ไทย) 3:

ผลงานที่ผ่านมาในลักษณะน้ำหนักบทเรียนกรณีศึกษา
ขั้นตอนวิธีที่มีแนวโน้มที่จะใช้ทั่วโลกน้ำหนักหรือน้ำหนักที่แตกต่างกัน
กว่ามากในท้องถิ่นภูมิภาคกรณีพื้นที่ กระดาษนี้ตรวจสอบ
ใช้หยาบแบบท้องถิ่น ( ซึ่งมีน้ำหนักได้รับอนุญาต
จะแตกต่างกัน แต่จะเหมือนกันสำหรับกลุ่มหรือกลุ่มของกรณี เรานำเสนอเทคนิคใหม่
,เรียกชั้นกระจายน้ำหนัก ( CDW ) ที่ช่วยให้น้ำหนัก
แตกต่างกันไปในระดับคลาส เราเพิ่มเติมขยาย CDW ในครอบครัวที่เกี่ยวข้องกับ
เทคนิคที่มีองศาที่แตกต่างของคนท้องถิ่น จากทั่วโลกเพื่อท้องถิ่น .
กระจายเทคนิคชั้นจะใช้กับชุด 11 แนวคิดการเรียนรู้งาน เรา  ครั้งที่หนึ่งหรือมากกว่าของ CDW สายพันธุ์
signi  ลดลงอย่างมีนัยสําคัญเมื่อปรับปรุง classi  บวกความเก้าของ 11 งาน .
นอกจากนี้เรา  ND ที่เทียบความสำคัญของคลาสคุณสมบัติและคุณลักษณะค่า
ในโดเมนเฉพาะกำหนดตัวแปรคือที่สุด
ที่ประสบความสำเร็จ