A classifier was trained using the

A classifier was trained using the RF technique [5, 7-9, 13,
15]. The RF classifier is a set of multiple random decision
trees. Training requires a set of training examples (e.g.,
voxels and their class label). A random training set from the
original training set is created for each tree (bagging) [16].
Each internal node in every tree is a classifier that consists
of a feature and a threshold. Weak features are usually used
in such techniques [5, 7-11, 13, 15]. To create an internal
node in a tree, a small subset of features is randomly
selected and the best feature and its best threshold chosen as
a classifier on that node. Maximizing the gain of
information is used to find the best randomly selected
feature/threshold. A split of the training examples between
two branches happens after finding the best classifier. The
process continues recursively at each branch node until
reaching a leaf node. Leaves are created when either the
maximum allowed depth is reached or no gain of
information is achieved if a split happens. Associated with
each leaf is a histogram of the training examples that
reached it.

ผลลัพธ์ (ไทย) 1:

ลักษณนามได้รับการฝึกฝนโดยใช้เทคนิค RF [5, 7-9, 13,
15] ลักษณนาม RF คือชุดของการตัดสินใจแบบสุ่มหลายต้นไม้
การฝึกอบรมต้องใช้ชุดของตัวอย่างการฝึกอบรม (เช่นชุ
ฉลากและชั้นเรียนของพวกเขา) การฝึกอบรมการสุ่มชุดจากการฝึกอบรมชุด
เดิมถูกสร้างขึ้นสำหรับต้นไม้แต่ละต้น (ห่อ) [16].
แต่ละโหนดภายในต้นไม้ทุกต้นเป็นลักษณนามที่ประกอบด้วย
ของคุณลักษณะและเกณฑ์คุณลักษณะที่อ่อนแอมักจะใช้
ในเทคนิคเช่น [5, 7-11, 13, 15] เพื่อสร้างโหนด
ภายในในต้นไม้ย่อยเล็กของคุณสมบัติที่เป็นแบบสุ่ม
เลือกและคุณลักษณะที่ดีที่สุดและเกณฑ์ที่ดีที่สุดรับเลือกให้เป็น
ลักษณนามในโหนดที่ การเพิ่มกำไรของข้อมูล
ถูกนำมาใช้เพื่อหาเกณฑ์คุณลักษณะ
/ สุ่มเลือกที่ดีที่สุด แยกจากตัวอย่างการฝึกอบรมระหว่าง
สองสาขาที่จะเกิดขึ้นหลังจากที่พบการจําแนกที่ดีที่สุด กระบวนการ
ยังคงซ้ำที่โหนดแต่ละสาขาจนกว่า
ถึงโหนดใบ ใบจะถูกสร้างขึ้นเมื่อใด
ลึกอนุญาตให้ถึงระดับสูงสุดแล้วหรือกำไรของข้อมูล
ไม่ประสบความสำเร็จถ้าแยกเกิดขึ้น ที่เกี่ยวข้องกับ
แต่ละใบเป็นแท่งตัวอย่างของการฝึกอบรมที่
ถึงมัน

ผลลัพธ์ (ไทย) 2:

ได้เข้าอบรมการใช้เทคนิค RF เป็น classifier [5, 7-9, 13,
15] RF classifier คือ ชุดของการตัดสินใจแบบสุ่มหลาย
ต้นไม้ ฝึกอบรมต้องมีชุดของตัวอย่างการฝึกอบรม (e.g.,
voxels และป้ายชื่อนักเรียน) ฝึกอบรมแบบสุ่มจาก
สร้างชุดฝึกอบรมสำหรับต้นไม้แต่ละต้น (bagging) [16] .
classifier ที่ประกอบด้วยคือแต่ละโหนภายในในทุก
คุณลักษณะและขีดจำกัด มักจะใช้คุณลักษณะอ่อน
ในเทคนิคดังกล่าว [5, 7-11, 13, 15] สร้างภายใน
โหนดในต้นไม้ ชุดย่อยขนาดเล็กของลักษณะการทำงานเป็นแบบสุ่ม
เลือก และคุณลักษณะดีที่สุดและขีดจำกัดของสุดที่เลือกเป็น
classifier บนโหนที่ เพิ่มกำไรของ
ข้อมูลใช้ในการค้นหาดีที่สุดแบบสุ่มเลือก
คุณลักษณะ/ขีดจำกัด แบ่งตัวอย่างฝึกระหว่าง
สาขาที่สองเกิดขึ้นหลังจากการค้น classifier สุด ใน
กระบวนการยังคง recursively ที่โหนดแต่ละสาขาจนถึง
ถึงโหนดสาขา ใบไม้สร้างขึ้นเมื่อใด
สูงถึงลึก หรือไม่กำไรของ
ข้อมูลสามารถทำได้ถ้าเกิดการแยก เกี่ยวข้องกับ
แต่ละใบเป็นฮิสโตแกรมของตัวอย่างการฝึกอบรมที่
ถึงมัน

ผลลัพธ์ (ไทย) 3:

ข้าวที่ได้รับการฝึกฝนมาโดยใช้เทคนิคคลื่นวิทยุ( RF )[ 5 7-9 13 ~ 15 ] ลักษณนามคลื่นวิทยุ( RF )ที่ตั้งอยู่ที่การตัดสินใจของหลายแบบสุ่ม
ต้นไม้ การฝึกอบรมที่จำเป็นต้องใช้ตั้งค่าของตัวอย่างการฝึกอบรม(เช่น
voxels และ class ของป้ายชื่อ) การฝึกอบรมแบบสุ่มที่ตั้งค่าจากตั้งค่าการฝึกอบรม
ซึ่งจะช่วยแบบดั้งเดิมที่มีการสร้างสำหรับทรี(ผ้าสำหรับทำถุง)[ 16 ]..
โหนดแต่ละในทรี ภายใน เป็นลักษณนามทุกที่ประกอบไปด้วย
ของคุณสมบัติและค่าขีดจำกัดโดดเด่นไปด้วยแบบไม่รัดกุมมีการใช้เทคนิคดังกล่าว
ใน[ 5 ] 7-11 7-11 7-11 1315 โดยปกติแล้ว ในการสร้าง ภายใน
โหนดหนึ่งในทรีที่ย่อยขนาดเล็กที่โดดเด่นไปด้วยเป็นการสุ่มเลือก
และโดดเด่นไปด้วยที่ดีที่สุดและเกณฑ์ขั้นต่ำที่ดีเยี่ยมของพื้นที่เลือกเป็นลักษณนาม
ซึ่งจะช่วยในโหนดนั้น การเพิ่มอัตราการขยายสัญญาณของ
ข้อมูลจะใช้ในการค้นหาที่ดีที่สุดแบบสุ่มเลือก
คุณสมบัติ/เกณฑ์ขั้นต่ำที่ แบ่งออกเป็นหนึ่งในตัวอย่างการฝึกอบรมระหว่าง
ตามมาตรฐานทั้งสองสาขาจะเกิดอะไรขึ้นหลังจากการค้นหาข้าวที่ดีที่สุด
กระบวนการนี้จะดำเนินต่อ(% s )ที่โหนดแต่ละสาขาจนกว่า
ถึงโหนดใบไม้ที่ ใบจะถูกสร้างขึ้นเมื่อใดที่ความลึกสูงสุด
ซึ่งจะช่วยได้รับอนุญาตให้มีหรือไม่มี
ซึ่งจะช่วยได้ข้อมูลจะทำได้หากแยกที่จะเกิดขึ้น ที่เกี่ยวข้องพร้อมด้วย
ใบไม้แต่ละฮิสโตแกรมที่เป็นตัวอย่างของการฝึกซ้อมที่
ถึงมัน