In Section 3.5 we address both meta

In Section 3.5 we address both meta classifier choice and type of meta data
to be used, on two subsets of base classifiers. We show that MLR is indeed the
best classifier for preds meta data, among those we considered. We notice that
the performance differerences of those variants using preds meta data are much
smaller than of the variants for class-probs meta data, which indicates that
the learning problem for preds is easier for most classifiers. NaiveBayes seems a
reasonable if somewhat arbitrary choice for preds meta data. At last we conclude
that Stacking with predictions meta data is competitive to using probability
distribution meta data. We point out that Ting & Witten (1999) may have
used a variation of MLR similar in spirit to StackingC in their experiments which
yields a biased comparison and may explain why their conclusion as to the
merits of the different meta data types differs from ours.
In Section 3.6, Related Research, we give a short overview on relevant research. We will now proceed to shortly characterize our experimental setup.

ผลลัพธ์ (ไทย) 1:

ในส่วน 3.5 เรา meta classifier เลือกและชนิดของข้อมูลเมตาที่จะใช้ ในชุดย่อยที่สองของคำนามภาษาพื้นฐาน แสดงว่า MLR เป็นclassifier สุดสำหรับข้อมูลเมตา preds ที่เราถือ เราสังเกตที่differerences ประสิทธิภาพการทำงานของตัวแปรเหล่านั้นโดยใช้ข้อมูลเมตาของ preds มีมากมีขนาดเล็กกว่าของตัวแปรคลาส probs meta ข้อมูล ซึ่งหมายถึงปัญหาการเรียนรู้สำหรับ preds ได้ง่ายขึ้นสำหรับคำนามภาษามากที่สุด ดูเหมือนว่า NaiveBayes เป็นทางเลือกที่เหมาะสมถ้าค่อนข้างกำหนดสำหรับข้อมูลเมตา preds ในที่สุด เราสรุปว่า Stacking คาดคะเนข้อมูล meta แข่งขันใช้ความน่าเป็นข้อมูลเมตาการกระจาย เราชี้ให้เห็นว่าทิง แอนด์ Witten (1999) ได้ใช้รูปแบบของ MLR คล้ายวิญญาณเพื่อ StackingC ในการทดลองซึ่งทำให้การเปรียบเทียบ biased และอาจอธิบายว่า ทำไมการจบเป็นการข้อดีของชนิดข้อมูล meta ต่าง ๆ แตกต่างจากเราในส่วน 3.6 งานวิจัยที่เกี่ยวข้อง เราให้ภาพรวมโดยย่อในงานวิจัยที่เกี่ยวข้อง เราจะดำเนินการเร็วลักษณะของการตั้งค่าการทดลองของเรา

ผลลัพธ์ (ไทย) 2:

ในมาตรา 3.5 ที่อยู่ที่เราทั้งสองทางเลือกลักษณนามเมตาและชนิดของข้อมูล meta
ที่จะใช้สองส่วนย่อยของลักษณนามฐาน เราแสดงให้เห็นว่าอัตราดอกเบี้ย MLR
ย่อมเป็นลักษณนามที่ดีที่สุดสำหรับpreds ข้อมูล meta ในหมู่คนที่เราพิจารณา เราสังเกตเห็นว่า
differerences ประสิทธิภาพการทำงานของสายพันธุ์ที่ใช้ preds ข้อมูล meta
ที่มีมากมีขนาดเล็กกว่าสายพันธุ์สำหรับข้อมูลmeta ระดับ probs
ซึ่งบ่งชี้ว่าปัญหาการเรียนรู้สำหรับpreds เป็นเรื่องง่ายสำหรับจําแนกมากที่สุด NaiveBayes
ดูเหมือนว่าเหมาะสมถ้าเลือกที่ตามอำเภอใจสำหรับpreds ข้อมูล meta ในที่สุดเราสรุปที่ซ้อนกับการคาดการณ์ข้อมูล meta มีการแข่งขันที่จะใช้ความน่าจะเป็นข้อมูลmeta กระจาย เราชี้ให้เห็นว่า Ting & Witten (1999) อาจจะใช้รูปแบบของอัตราดอกเบี้ยMLR ในทำนองเดียวกันกับ StackingC ในการทดลองของพวกเขาที่มีอัตราผลตอบแทนเปรียบเทียบลำเอียงและอาจอธิบายว่าทำไมข้อสรุปของพวกเขาเป็นไปที่ประโยชน์ของประเภทข้อมูล meta ที่แตกต่างกันมีความแตกต่างจากเรา ในมาตรา 3.6 การวิจัยที่เกี่ยวข้องเราจะให้ภาพรวมสั้น ๆ เกี่ยวกับการวิจัยที่เกี่ยวข้อง ตอนนี้เราจะดำเนินการต่อไปในไม่ช้าลักษณะการติดตั้งการทดลองของเรา

ผลลัพธ์ (ไทย) 3:

ในส่วน 3.5 เราที่อยู่ทั้ง meta ตัวเลือกและชนิดของข้อมูลเมตา
เพื่อใช้ในส่วนย่อยของคำสองฐาน เราพบว่า 1 แน่นอน
preds แบบที่ดีที่สุดสำหรับข้อมูล meta , ในหมู่ผู้ที่เราพิจารณา เราสังเกตเห็นว่า การปฏิบัติของผู้แปร
differerences ใช้ preds ข้อมูลเมตามาก
เล็กกว่าของตัวแปรคลาส probs ข้อมูล meta ซึ่งแสดงว่า
ปัญหาการเรียนสำหรับ preds ง่ายกว่าคำมากที่สุด นา ฟ เบส์ดู
กันเอง ถ้าเลือกค่อนข้างเผด็จการเพื่อ preds meta ข้อมูล ครั้งสุดท้ายที่เราสรุป
ที่ซ้อนกับการคาดการณ์ข้อมูล meta จะแข่งขันที่จะใช้ความน่าจะเป็น
กระจาย meta ข้อมูล เราชี้ให้เห็นว่าติ่ง& Witten ( 1999 ) อาจจะใช้รูปแบบของสินเชื่อ
คล้ายกันในจิตวิญญาณเพื่อ stackingc ในการทดลองซึ่ง
การเปรียบเทียบผลผลิตที่ลำเอียงและอาจอธิบายว่าทำไมข้อสรุปของพวกเขาเป็น
ข้อดีของชนิดต่าง ๆ ข้อมูลเมตา ต่างจากพวกเรา .
ในส่วน 3.6 , งานวิจัยที่เกี่ยวข้อง , เราให้ภาพรวมสั้น ๆเกี่ยวกับการวิจัยที่เกี่ยวข้อง ตอนนี้เราจะไปไม่นาน ลักษณะการติดตั้งทดลองของเรา