are two common methods of ensemblin

are two common methods of ensembling classifiers. We use ada-boost applied to the Naive Bayes (Elkan, 1997) and to C4.5 with CF as our learning algorithms. Basically, ada-boost maintains a sampling probability distribution on the training set, and modifies the probability distribution after each classifier is built. The probability of examples with an incorrect prediction by the previous classifier is increased, so these examples will be sampled more heavily in the next round of boosting, to be learnt correctly.


ผลลัพธ์ (ไทย) 1:

มีสองวิธีของคำนามภาษา ensembling เราใช้ ada เพิ่มใช้ Bayes Naive (Elkan, 1997) และ C4.5 กับ CF เป็นอัลกอริทึมการเรียนรู้ของเรา พื้น ada เพิ่มรักษากระจายความน่าเป็นการสุ่มตัวอย่างในการฝึกตั้ง และปรับเปลี่ยนการกระจายความน่าเป็นหลังจาก classifier แต่ละแห่ง ความน่าเป็นตัวอย่างกับการทายผลไม่ถูกต้องโดย classifier ก่อนหน้าขึ้น เพื่อให้ตัวอย่างเหล่านี้จะอย่างมากกว่าในรอบถัดไปของการส่งเสริม การเรียนรู้อย่างถูกต้อง

ผลลัพธ์ (ไทย) 2:

มีสองวิธีการทั่วไปของ ensembling แยกแยะ เราใช้ Ada-เพิ่มนำไปใช้กับ Naive Bayes (Elkan, 1997) และ C4.5 กับ CF เป็นขั้นตอนวิธีการเรียนรู้ของเรา โดยทั่วไป Ada-เพิ่มคงกระจายการสุ่มตัวอย่างในชุดการฝึกอบรมและการปรับเปลี่ยนการกระจายความน่าจะเป็นหลังจากที่แต่ละลักษณนามถูกสร้างขึ้น น่าจะเป็นตัวอย่างที่มีการคาดการณ์ที่ไม่ถูกต้องโดยลักษณนามก่อนหน้านี้จะเพิ่มขึ้นดังนั้นตัวอย่างเหล่านี้จะได้รับการเก็บตัวอย่างมากขึ้นในรอบต่อไปของการส่งเสริมการเรียนรู้ได้อย่างถูกต้อง


ผลลัพธ์ (ไทย) 3:

มีสองวิธีการทั่วไปของ ensembling ลักษณนาม เราใช้ ADA เพิ่มใช้กับ Bayes ไร้เดียงสา ( เอลแคน , 1997 ) และโปรแกรม C4.5 กับ CF เป็นขั้นตอนวิธีการเรียนรู้ของเรา โดยทั่วไป เพิ่มระดับรักษาความน่าจะเป็นกระจายบนชุดฝึกอบรม และการปรับเปลี่ยนการแจกแจงความน่าจะเป็น หลังจากที่แต่ละตัวถูกสร้างขึ้นความน่าจะเป็นของตัวอย่างกับคำทำนายไม่ถูกต้อง โดยก่อนหน้านี้ตัวเพิ่มขึ้น ดังนั้น ตัวอย่างเหล่านี้จะถูกเก็บตัวอย่างหนักในรอบต่อไปของการส่งเสริมให้เรียนรู้ได้อย่างถูกต้อง