Figure 1 shows a visualization of t

Figure 1 shows a visualization of the Naive-Bayes classifier for Fisher’s Iris data set, where the task is to determine the type of iris based on four attributes. Each bar represents evidence for a given class and attribute value. Users can immediately see that all values for petal-width and petal length are excellent determiners, while the middle range (2.95-3.35) for sepalwidth
adds little evidence in favor of one class or another.

ผลลัพธ์ (ไทย) 1:

รูปที่ 1 แสดงเพลงของ classifier Naive Bayes สำหรับชุดข้อมูล Iris ของ Fisher ซึ่งงานคือการ กำหนดชนิดของไอริสตามคุณลักษณะ 4 ประการ แต่ละแถบแสดงหลักฐานในการกำหนดคลาสและแอตทริบิวต์ค่า ผู้ใช้สามารถดูค่าทั้งหมดสำหรับความยาวความกว้างกลีบดอกไม้และกลีบดอกไม้นามแห่ง ในขณะที่ช่วงกลาง (2.95-3.35) สำหรับ sepalwidth ทันทีเพิ่มหลักฐานน้อยสามารถเรียนหนึ่งหรืออีก

ผลลัพธ์ (ไทย) 2:

รูปที่ 1 แสดงให้เห็นว่าการสร้างภาพของลักษณนาม Naive Bayes-ชุดข้อมูลที่ไอริสฟิชเชอร์ซึ่งงานคือการกำหนดประเภทของไอริสขึ้นอยู่กับสี่คุณลักษณะ บาร์แต่ละหลักฐานสำหรับการเรียนได้รับและค่าแอตทริบิวต์ ผู้ใช้ทันทีจะเห็นว่าค่าทั้งหมดสำหรับกลีบดอกกว้างและความยาวกลีบดอกมี determiners ที่ยอดเยี่ยมในขณะที่ช่วงกลาง (2.95-3.35) สำหรับ sepalwidth
เพิ่มหลักฐานเพียงเล็กน้อยในความโปรดปรานของชั้นหนึ่งหรืออีก

ผลลัพธ์ (ไทย) 3:

รูปที่ 1 แสดงให้เห็นการแสดงของ Bayes ไร้เดียงสาลักษณนามสำหรับปลาไอริสชุดข้อมูลที่งานคือการกำหนดประเภทของไอริสตาม 4 คุณลักษณะ แต่ละแถบแสดงหลักฐานให้คลาสและค่าคุณลักษณะ ผู้ใช้สามารถดูที่ค่าความกว้างและความยาวกลีบทุกกลีบมีการกําหนดที่ยอดเยี่ยม ในขณะที่ช่วงกลาง ( 2.95-3.35 sepalwidth
)เพิ่มหลักฐานเพียงเล็กน้อยในความโปรดปรานของหนึ่งชั้นหรืออื่น ๆ .