We have seen that under a decomposa

We have seen that under a decomposable distribution over TANs it is possible to
efficiently determine the MAP undirected TAN structure and the set of k MAP
TAN structures and their relative probability weights. We used these results to
construct two new classifiers: maptan and maptan+bma. We have provided
empirical results showing that both classifiers improve over established TAN
based classifiers with equivalent complexity. From a practical point of view, selecting
when to use sstbmatan,maptan+bma,maptan depends mainly on two
factors: the amount of uncertainty a posteriori in the models we expect to have
and the ratio between the value of accuracy and the value of efficiency for the
user. We can see a qualitative sketch of when to choose each classifier in figure 2.
For any value of the ratio, we will choose maptan when uncertainty a posteriori
in models is low, sstbmatan when it is high and maptan+bmainbetween. If
learning takes place in an environment where accuracy is much more important
than efficiency, then our threshold in uncertainty to use maptan+bma and
sstbmatan will be lower. If learning takes place in an environment where effi-
ciency is much more important than accuracy, then maptan will be our choice
most of the times unless uncertainty in models is very high.

ผลลัพธ์ (ไทย) 2:

เราได้เห็นว่าภายใต้การจัดจำหน่ายมากกว่า decomposable
ดำก็เป็นไปได้อย่างมีประสิทธิภาพตรวจสอบแผนที่undirected โครงสร้าง TAN และชุดของ k
แผนที่โครงสร้างตันและน้ำหนักความน่าจะเป็นญาติของพวกเขา เราใช้ผลเหล่านี้เพื่อสร้างสองลักษณนามใหม่: maptan และ maptan + กรุงเทพมหานคร
เราได้ให้ผลการศึกษาแสดงให้เห็นว่าแยกแยะทั้งปรับปรุงในช่วงจัดตั้ง TAN ตามจําแนกกับความซับซ้อนเทียบเท่า จากจุดปฏิบัติของมุมมองการเลือกเมื่อจะใช้ sstbmatan, maptan + กรุงเทพมหานคร maptan ขึ้นอยู่กับสองปัจจัยจำนวนของความไม่แน่นอนที่posteriori ในรูปแบบที่เราคาดว่าจะมีและอัตราส่วนระหว่างค่าของความถูกต้องและความคุ้มค่าของประสิทธิภาพที่สำหรับผู้ใช้ เราสามารถมองเห็นภาพร่างคุณภาพเมื่อมีการเลือกลักษณนามในแต่ละรูปที่ 2 สำหรับค่าของอัตราส่วนใด ๆ ที่เราจะเลือก maptan เมื่อความไม่แน่นอน posteriori ในรูปแบบที่อยู่ในระดับต่ำ sstbmatan เมื่อมันอยู่ในระดับสูงและ maptan + bmainbetween หากการเรียนรู้จะเกิดขึ้นในสภาพแวดล้อมที่มีความถูกต้องเป็นสิ่งสำคัญมากขึ้นกว่าที่มีประสิทธิภาพแล้วเกณฑ์ของเราในความไม่แน่นอนที่จะใช้maptan + กรุงเทพมหานครและsstbmatan จะลดลง หากการเรียนรู้จะเกิดขึ้นในสภาพแวดล้อมที่ที่สุดนั่นคือการขาดเพียงเป็นสิ่งที่สำคัญมากไปกว่าความถูกต้องแล้ว maptan จะเป็นทางเลือกของเรามากที่สุดเท่าที่ความไม่แน่นอนเว้นแต่ในรูปแบบที่สูงมาก

ผลลัพธ์ (ไทย) 3:

เราได้เห็นแล้วว่า ภายใต้การ decomposable กว่า tans เป็นไปได้อย่างมีประสิทธิภาพตรวจสอบแผนที่ undirected tan
โครงสร้างและชุดของ K แผนที่
แทนโครงสร้างและน้ำหนักความน่าจะเป็นของพวกเขา เราใช้ผลลัพธ์เหล่านี้เพื่อสร้างคำใหม่ :
2 maptan maptan และกรุงเทพมหานคร เราได้จัดเตรียม
เชิงประจักษ์ผลลัพธ์ที่แสดงที่ทั้งสองคำปรับปรุงมากกว่า tan
ตั้งขึ้นตามคำที่เทียบเท่ากับความซับซ้อน จากจุดปฏิบัติของมุมมอง การเลือกใช้ sstbmatan
เมื่อ maptan , กรุงเทพมหานคร maptan ขึ้นอยู่กับสองปัจจัย :
ปริมาณของความไม่แน่นอนจากผลไปสู่เหตุในแบบที่เราคาดหวังที่จะได้
และอัตราส่วนระหว่างค่าความแม่นยำและค่าประสิทธิภาพสำหรับ
ผู้ใช้ เราสามารถเห็นคุณภาพร่างเมื่อเลือกแต่ละแบบในรูป 2
สำหรับทุกค่าของอัตราส่วน เราจะเลือก maptan เมื่อความไม่แน่นอนจากผลไปสู่เหตุ
ในรุ่นต่ำ sstbmatan เมื่อมันสูงและ maptan bmainbetween . ถ้า
การเรียนรู้เกิดขึ้นในสภาพแวดล้อมที่ถูกต้องเป็นสิ่งที่สำคัญมาก
มากกว่าประสิทธิภาพ แล้วเกณฑ์ของเราใน กทม. และความไม่แน่นอนที่จะใช้ maptan
sstbmatan จะต่ำลง ถ้าการเรียนรู้เกิดขึ้นในสภาพแวดล้อมที่ effi -
ประสิทธิภาพเป็นสำคัญมากกว่าความถูกต้องแล้ว maptan จะของเราทางเลือก
ส่วนใหญ่ของเวลา นอกจากความไม่แน่นอนในรูปแบบ
มีสูงมาก