where one first uses subsets of the

where one first uses subsets of the original data to produce a series of averagely performing models and then "boosts" their performance by combining them together using a particular cost function (=majority vote). Unlike bagging, in the classical boosting the subset creation is not random and depends upon the performance of the previous models: every new subsets contains the elements that were (likely to be) misclassified by previous models.

ผลลัพธ์ (ไทย) 1:

ที่หนึ่งใช้ชุดย่อยของข้อมูลเดิมการผลิตชุดการแย้งดำเนินการรุ่นแรก แล้ว "ช่วยเพิ่ม" ประสิทธิภาพของพวกเขา โดยการรวมกันโดยใช้ฟังก์ชันต้นทุนเฉพาะ (=ออกเสียงส่วนใหญ่) ซึ่งแตกต่างจากเถื่อน ๆ ในคลาสสิคส่งเสริมชุดย่อย สร้างไม่สุ่ม และขึ้นอยู่กับประสิทธิภาพการทำงานรุ่นก่อนหน้านี้: ทุกชุดย่อยใหม่ประกอบด้วยองค์ประกอบที่ (น่าจะ) งาน โดยรุ่นก่อนหน้านี้

ผลลัพธ์ (ไทย) 2:

ซึ่งเป็นหนึ่งในครั้งแรกที่ใช้ย่อยของข้อมูลเดิมในการผลิตชุดของรูปแบบการดำเนินการเฉลี่ยแล้ว "ช่วยเพิ่ม" ประสิทธิภาพของพวกเขาโดยการรวมเข้าด้วยกันโดยใช้ฟังก์ชั่นค่าใช้จ่ายเฉพาะ (= คะแนนเสียงข้างมากบริการ) ซึ่งแตกต่างจากการห่อในคลาสสิกการส่งเสริมการสร้างระบบย่อยที่ไม่ได้เป็นแบบสุ่มและขึ้นอยู่กับประสิทธิภาพการทำงานของรุ่นก่อนหน้านี้: ทุกส่วนย่อยใหม่ที่ประกอบด้วยองค์ประกอบที่อยู่ (น่าจะ) แบ่งจากรุ่นก่อนหน้านี้

ผลลัพธ์ (ไทย) 3:

ตัวแรกที่ใช้ชุดย่อยของข้อมูลต้นฉบับเพื่อผลิตชุดของส่วนแสดงรุ่นแล้ว " เพิ่ม " ประสิทธิภาพของพวกเขาโดยการรวมเข้าด้วยกันโดยใช้ฟังก์ชันต้นทุนโดยเฉพาะ ( เสียงข้างมาก ) ซึ่งแตกต่างจากถุง , ในคลาสสิกพื่นย่อยการสร้างเป็นแบบสุ่มและขึ้นอยู่กับประสิทธิภาพของรุ่นก่อนหน้า : ใหม่ทุกส่วนย่อยประกอบด้วยองค์ประกอบที่ ( น่าจะ ) misclassified โดยรุ่นก่อนหน้านี้