Data mining approaches could also b

Data mining approaches could also be used to establish
and validate guidelines for clinical practice for home
healthcare, which have been lacking [25]. Next steps
could be to include larger sample sets of data, or testing
those finding on other medical conditions. Other future
research could investigate further differences between US
regions or according to patient socioeconomic class, for
example rural and/or low income patients.
Problems with CART still include the fact that a cluster
tree does not always show the "best" picture of a problem
domain – a specific node or class might hide another, as
overtraining may occur. Another potential issue with
CART is that the trees are not always perfectly stable: for
example, a new variable can change the whole branches
and nodes. A derived consequence is that although trees
are optimal at each node, the optimality does not apply to
the overall tree. Taking these problems in consideration,
other statistical techniques could be used in combination
of CART to try to improve on these results. For example,
the bagging technique (a technique to reduce variance)
might be considered as this technique calculates a
"model" tree averaging the number of trees derived from
boot-strapped samples included in the original training
set of data. Another technique to improve results might be
the use of boosting which grows the tree several times, but
each time the trees are grown again, the data (i.e. patient
records) which was misclassified are assigned a greater
weight in order to improve the predictive nature of the
tree. Another future research area could be to improve validation
results by analyzing optimum size of trees for better
results for example.

ผลลัพธ์ (ไทย) 1:

ยังสามารถใช้วิธีการทำเหมืองข้อมูลเพื่อสร้างและแนวทางการปฏิบัติทางคลินิกสำหรับการตรวจสอบสุขภาพ ซึ่งมีการขาด [25] ขั้นตอนถัดไปอาจจะ รวมชุดตัวอย่างขนาดใหญ่ของข้อมูล หรือการทดสอบผู้ค้นหาในโรคอื่น ๆ อื่น ๆ ในอนาคตวิจัยสามารถตรวจสอบเพิ่มเติมความแตกต่างระหว่างเราภูมิภาค หรือตามการเรียนประชากรผู้ป่วยตัวอย่างรายได้ต่ำ หรือชนบทผู้ป่วยปัญหารถยังมีความจริงที่คลัสเตอร์ต้นไม้ไม่เสมอภาพ "ดีที่สุด" ของปัญหาโดเมน – โหนดที่ระบุหรือคลาสอาจซ่อนอีก เป็นovertraining อาจเกิดขึ้น ปัญหาอาจเกิดขึ้นอีกรถเข็นเป็นที่ต้นไม้มักไม่มั่นคงอย่างสมบูรณ์แบบ: สำหรับตัวอย่าง ตัวแปรใหม่สามารถเปลี่ยนสาขาทั้งหมดและโหน ส่งผลต่อมาคือแม้ว่าต้นไม้กำลังสูงสุดที่แต่ละโหน optimality ที่ไม่ใช้ต้นโดยรวม มีปัญหาเหล่านี้ในการพิจารณาสามารถใช้เทคนิคทางสถิติในชุดของรถเข็นเพื่อปรับปรุงผลเหล่านี้ ตัวอย่างเทคนิคเย็บถุง (เทคนิคการลดความแปรปรวน)อาจถือว่าเป็นเทคนิคนี้คำนวณเป็นมาหาค่าเฉลี่ยจำนวนต้นไม้ต้นไม้ "รุ่น"strapped บูตตัวอย่างในการฝึกอบรมเดิมชุดของข้อมูล อาจจะมีเทคนิคอื่นเพื่อปรับปรุงผลลัพธ์ใช้ส่งเสริมการขยายแผนภูมิหลายครั้ง แต่เวลาแต่ละต้นปลูกอีก ข้อมูล (เช่นผู้ป่วยระเบียน) ซึ่งเป็นงานที่กำหนดเป็นมากกว่าน้ำหนักเพื่อปรับปรุงลักษณะงานของการแผนภูมิ วิจัยในอนาคตพื้นที่อื่นสามารถตรวจสอบปรับปรุงผลลัพธ์การวิเคราะห์ขนาดสูงสุดของต้นไม้ดีกว่าผลเช่น

ผลลัพธ์ (ไทย) 2:

วิธีการทำเหมืองข้อมูลนอกจากนี้ยังสามารถนำมาใช้ในการสร้าง
และตรวจสอบแนวทางในการปฏิบัติทางคลินิกสำหรับบ้าน
การดูแลสุขภาพที่ได้รับการขาด [25] ขั้นตอนต่อไป
อาจจะรวมถึงชุดตัวอย่างที่มีขนาดใหญ่ของข้อมูลหรือการทดสอบ
การค้นพบเกี่ยวกับเงื่อนไขทางการแพทย์อื่น ๆ เหล่านั้น อื่น ๆ ในอนาคต
การวิจัยสามารถตรวจสอบความแตกต่างระหว่างสหรัฐ
ภูมิภาคหรือตามระดับทางเศรษฐกิจและสังคมของผู้ป่วยสำหรับ
ตัวอย่างเช่นในชนบทและ / หรือผู้ป่วยที่มีรายได้น้อย.
ปัญหาเกี่ยวกับรถเข็นยังรวมถึงความจริงที่ว่ากลุ่ม
ต้นไม้ไม่เคยแสดง "ดีที่สุด" ภาพของปัญหา
โดเมน - โหนดที่เฉพาะเจาะจงหรือระดับอาจซ่อนอีกเป็น
overtraining อาจเกิดขึ้น อีกปัญหาที่อาจเกิดขึ้นกับ
รถเข็นที่เป็นต้นไม้ที่ไม่เคยมีเสถียรภาพที่ดีเลิศสำหรับ
ตัวอย่างเช่นตัวแปรใหม่ที่สามารถเปลี่ยนสาขาทั้งหมด
และโหนด ผลที่ได้รับก็คือแม้ว่าต้นไม้
เป็นที่ดีที่สุดในแต่ละโหนด optimality ใช้ไม่ได้กับ
ต้นไม้โดยรวม การปัญหาเหล่านี้ในการพิจารณา
เทคนิคทางสถิติอื่น ๆ ที่สามารถนำมาใช้ในการรวมกัน
ของรถเข็นที่จะพยายามที่จะปรับปรุงผลการเหล่านี้ ตัวอย่างเช่น
เทคนิคการห่อ (เทคนิคในการลดความแปรปรวน)
อาจถือได้ว่าเป็นเทคนิคนี้คำนวณ
"รูปแบบ" ต้นไม้จำนวนเฉลี่ยของต้นไม้ที่ได้มาจาก
กลุ่มตัวอย่างบูตมัดรวมอยู่ในการฝึกอบรมเดิม
ชุดของข้อมูล อีกเทคนิคหนึ่งในการปรับปรุงผลอาจจะมี
การใช้งานของการส่งเสริมซึ่งเติบโตต้นไม้หลายครั้ง แต่
ทุกครั้งที่ต้นไม้มีการเจริญเติบโตอีกครั้งข้อมูล (เช่นผู้ป่วย
บันทึก) ซึ่งได้รับการแบ่งที่ได้รับมอบหมายมากขึ้น
น้ำหนักเพื่อปรับปรุงลักษณะของการคาดการณ์
ต้นไม้ วิจัยอีกในอนาคตอาจจะมีการปรับปรุงการตรวจสอบ
โดยการวิเคราะห์ผลขนาดที่เหมาะสมของต้นไม้ที่ดีกว่า
ผลตัวอย่างเช่น

ผลลัพธ์ (ไทย) 3:

การทำเหมืองข้อมูลวิธีการอาจจะใช้ในการสร้างและตรวจสอบแนวทางเวชปฏิบัติ

ดูแลสุขภาพ สำหรับบ้านที่ได้รับขาด [ 25 ] ขั้นตอนต่อไป
สามารถรวมขนาดใหญ่ชุดตัวอย่างของข้อมูล หรือทดสอบ
ผู้ค้นหาบนเงื่อนไขทางการแพทย์อื่น ๆ การวิจัยในอนาคต
อื่น ๆสามารถตรวจสอบความแตกต่างต่อไประหว่างเรา
ภูมิภาคหรือตามคนไข้สถานะทางสังคม ,
ตัวอย่างในชนบทและ / หรือผู้ป่วยรายได้น้อย ปัญหากับรถเข็นยัง
รวมถึงความจริงที่ว่ากลุ่ม
ต้นไม้ไม่เสมอแสดงภาพ " ดีที่สุด " ของปัญหาและปมที่เฉพาะเจาะจงหรือ
โดเมนคลาสอาจซ่อนอื่น เช่น
ฝึกหนักเกินไปอาจจะเกิดขึ้นได้ อีกปัญหาที่อาจเกิดขึ้นกับ
เกวียนว่า ต้นไม้จะไม่เสมอได้อย่างมั่นคง :
ตัวอย่างตัวแปรใหม่สามารถเปลี่ยนสาขาทั้งหมด
และ โหนดเป็นที่ได้ผล ก็คือ ถึงแม้ว่าต้นไม้
เหมาะสมที่สุดในแต่ละโหนด คุณภาพไม่ใช้
ต้นไม้รวม การแก้ไขปัญหาเหล่านี้ ในการพิจารณา
สถิติอื่น ๆอาจจะใช้ในการรวมกัน
รถเข็นพยายามปรับปรุงผลลัพธ์เหล่านี้ ตัวอย่างเช่น
ถุงเทคนิค ( เทคนิคในการลดความแปรปรวน
อาจจะถือว่าเป็นเทคนิคนี้คำนวณเป็น
" นางแบบ " ต้นไม้เฉลี่ยจำนวนต้นไม้ที่ได้จาก
บูต strapped ตัวอย่างรวมอยู่ในต้นฉบับการฝึกอบรม
ชุดของข้อมูล อีกเทคนิค เพื่อปรับปรุงผลลัพธ์อาจ
ใช้พื่นที่ปลูกต้นไม้อยู่หลายครั้งแต่
ทุกครั้งที่ต้นไม้จะโตอีก ข้อมูล ( เช่นประวัติ
คนไข้ ) ซึ่งได้รับมอบหมายให้มากขึ้น
misclassifiedน้ำหนักเพื่อปรับปรุงลักษณะการทำนาย
ต้นไม้ พื้นที่วิจัยในอนาคต อาจจะเป็นเพื่อปรับปรุงผลการตรวจสอบโดยการวิเคราะห์ที่เหมาะสมของต้นไม้ขนาด

สำหรับผลลัพธ์ที่ดีกว่า ตัวอย่างเช่น