give better results than the wrappe

give better results than the wrapper on small datasets.
CFS is much faster than the wrapper (by more than an
order of magnitude), which allows it to be applied to
larger datasets than the wrapper.
Many applications of machine learning involve predicting
a class" that takes on a continuous numeric
value. Future work will aim at extending CFS to handle
problems where the class is numeric.

ผลลัพธ์ (ไทย) 1:

ให้ผลดีกว่าการห่อใน datasets ขนาดเล็กCFS จะเร็วกว่ากระดาษห่อที่มาก (โดยมากกว่าสั่งของขนาด), ซึ่งช่วยให้การใช้datasets ขนาดใหญ่กว่ากระดาษที่ห่อโปรแกรมประยุกต์ในเครื่องเรียนรู้เกี่ยวข้องกับการคาดการณ์class"ที่ใช้ในตัวอย่างต่อเนื่องค่า ทำงานในอนาคตจะมุ่งขยาย CFS จะจัดการปัญหาตัวเลขชั้น

ผลลัพธ์ (ไทย) 2:

ให้ผลลัพธ์ที่ดีกว่าในเสื้อคลุมชุดข้อมูลขนาดเล็ก
CFS เร็วกว่าเสื้อคลุม (โดยมากกว่า
ลำดับความสำคัญ) ซึ่งช่วยให้สามารถนำไปใช้กับ
ชุดข้อมูลขนาดใหญ่กว่ากระดาษห่อ
หลายโปรแกรมของการเรียนรู้ที่เกี่ยวข้องกับเครื่องทำนาย
ระดับ "ที่ใช้เวลาในการที่เป็นตัวเลขอย่างต่อเนื่อง
ค่า. การทำงานในอนาคตจะมุ่งที่การขยาย CFS ที่จะจัดการกับ
ปัญหาที่ชั้นเป็นตัวเลข

ผลลัพธ์ (ไทย) 3:

ให้ผลลัพธ์ที่ดีกว่ากระดาษห่อในชุดข้อมูลขนาดเล็ก .
CFS จะเร็วกว่ามาก กระดาษห่อ ( โดยมากกว่า
ลำดับความสำคัญ ) ซึ่งช่วยให้สามารถใช้ข้อมูลที่มีขนาดใหญ่กว่ากระดาษห่อ

.
หลายโปรแกรมของเครื่องจักรการเรียนรู้เกี่ยวข้องกับทำนาย
" ที่ใช้เวลาในการเรียนอย่างต่อเนื่องตัวเลข
ค่า . การทำงานในอนาคตจะมุ่งขยาย CFS จัดการ
ปัญหาที่เรียนตัวเลข