Fig. 4 is an illustration of decision tree visualization
on Zoo data in the k-nearest neighbor setting. Zoo data
set includes 16 non-category attributes: {hair, feathers,
eggs, milk, airborne, aquatic, predator, toothed, backbone,
breathes, venomous, fins, legs, tail, domestic, catsize},
where the highlighted ones are used by the decision tree.
Using shaded similarity matrix to visualize decision tree
can help us see the tree structure very clearly. Note that
each square block indicates a tree leaf. In the Zoo data set,
there are seven squares corresponding to seven classes. In
most cases the nearest neighbors of each instance share the
same square block with that instance.
รูป 4
เป็นตัวอย่างของการสร้างภาพต้นไม้ตัดสินใจกับข้อมูลที่สวนสัตว์ในการตั้งค่าk เพื่อนบ้านใกล้ที่สุด สวนสัตว์ข้อมูลชุดรวม 16 ไม่ใช่หมวดหมู่แอตทริบิวต์: {ผม, ขน, ไข่, นม, อากาศ, น้ำ, ล่าฟันกระดูกสันหลังหายใจพิษครีบขาหางประเทศcatsize} ที่คนเน้นถูกนำมาใช้ โดยต้นไม้การตัดสินใจ. ใช้เมทริกซ์สีเทาคล้ายคลึงกันที่จะเห็นภาพต้นไม้ตัดสินใจสามารถช่วยให้เรามองเห็นโครงสร้างอย่างชัดเจน โปรดทราบว่าแต่ละบล็อกตารางแสดงให้เห็นใบต้นไม้ ในชุดข้อมูลที่สวนสัตว์มีเจ็ดสี่เหลี่ยมที่สอดคล้องกับเจ็ดชั้นเรียน ในกรณีส่วนใหญ่เพื่อนบ้านที่ใกล้ที่สุดของแต่ละกรณีแบ่งปันบล็อกตารางเช่นเดียวกันกับการที่
การแปล กรุณารอสักครู่..

รูปที่ 4 เป็นภาพประกอบของการแสดงแผนภาพการตัดสินใจแบบต้นไม้บนข้อมูลสวนสัตว์ในการตั้งค่าบ้านละ . ชุดข้อมูล
สวนสัตว์รวมถึง 16 ไม่มีหมวดหมู่คุณลักษณะ :
{ ผม , ขน , ไข่ , นม , ผลิตภัณฑ์สัตว์น้ำ , นักล่า , ฟัน , กระดูกสันหลัง
พ่นพิษ , ครีบ , ขา , หาง , ในประเทศ , catsize } ,
ที่เน้นวัตถุจะถูกใช้โดย
ต้นไม้ตัดสินใจใช้แรเงาให้เห็นความเหมือนเมทริกซ์
ต้นไม้ การตัดสินใจสามารถช่วยให้เราเห็นโครงสร้างชัดเจน หมายเหตุ
แต่ละบล็อกสี่เหลี่ยม บ่งชี้ว่า ต้นไม้ใบ ในสวนสัตว์ชุดข้อมูล
มีเจ็ดสี่เหลี่ยมที่สอดคล้องกับเจ็ดชั้น ใน
ส่วนใหญ่เพื่อนบ้านที่ใกล้ที่สุดของแต่ละตัวอย่างแบ่งปัน
บล็อกสี่เหลี่ยมเดียวกันกับที่ อินสแตนซ์
การแปล กรุณารอสักครู่..
