Dzeroski and Zenko (2002) investiga

Dzeroski and Zenko (2002) investigate Stacking in the extension proposed
by Ting & Witten (1999). They conclude that, when comparing against other
ensemble learning schemes, Stacking with MLR as meta classifier is at best competitive
to selection by crossvalidation (X-Val) and not significantly better as
some papers claim, while their new variant sMM5 clearly beats X-Val. They
propose a comparative study to resolve these contradictions in the literature.
Seewald & Furnkranz ¨ (2001) propose a scheme called Grading that learns a
meta-level classifier for each base classifier. Grading trains a meta classifier for
each base classifier which tries to predict when its base classifier fails. This
decision is based on the dataset’s attributes. A weighted voting of the base
classifiers’ prediction gives the final class prediction. The voting weight is the
confidence for a correct prediction of a base classifier, which is estimated by its
associated meta classifier

ผลลัพธ์ (ไทย) 1:

Dzeroski และ Zenko (2002) สอบสวน Stacking ในส่วนขยายที่นำเสนอโดยทิงแอนด์ Witten (1999) พวกเขาสรุปว่า เมื่อเปรียบเทียบกับอื่น ๆแผนการเรียนรู้วงดนตรี Stacking กับ MLR เป็น meta classifier มีราคาแข่งขันการเลือก crossvalidation (X-Val) และอย่างมากไม่ดีเป็นเอกสารบางอย่างอ้าง ขณะ sMM5 ตัวแปรใหม่ของพวกเขาชัดเจนเต้น X Val. พวกเขาเสนอการศึกษาเปรียบเทียบการแก้ปัญหาเหล่านี้กันก็ในวรรณคดีเลขจด Seewald และ Furnkranz (2001) เสนอแบบที่เรียกว่า Grading ที่เรียนรู้มีclassifier meta-ระดับสำหรับ classifier แต่ละฐาน การจัดเกรดรถไฟ classifier meta สำหรับแต่ละฐาน classifier ซึ่งพยายามทำนายเมื่อ classifier ของฐานไม่ นี้ตัดสินใจขึ้นอยู่กับแอททริบิวต์ของชุดข้อมูล การลงคะแนนถ่วงน้ำหนักของฐานการคาดเดาของคำนามภาษาให้ทำนายชั้นสุดท้าย น้ำหนักคะแนนอยู่ความเชื่อมั่นสำหรับการคาดการณ์ถูกต้องของการ classifier พื้นฐาน การประเมินโดยการclassifier meta ที่เกี่ยวข้อง

ผลลัพธ์ (ไทย) 2:

Dzeroski และ Zenko (2002)
ตรวจสอบซ้อนในส่วนขยายที่เสนอโดยTing & Witten (1999) พวกเขาสรุปว่าเมื่อเปรียบเทียบกับคนอื่น ๆ
รูปแบบการเรียนรู้ทั้งมวลซ้อนกับ MLR
เป็นลักษณนามเมตาเป็นที่ดีที่สุดในการแข่งขันการเลือกโดยcrossvalidation (X-Val)
และไม่ได้มีความหมายดีเป็นเอกสารบางเรียกร้องในขณะที่ตัวแปรใหม่ของพวกเขาsMM5 เต้นอย่างชัดเจน X-Val .
พวกเขานำเสนอการศึกษาเปรียบเทียบในการแก้ไขความขัดแย้งเหล่านี้ในวรรณคดี.
Seewald และ Furnkranz ¨ (2001)
เสนอโครงการที่เรียกว่าการวัดผลการศึกษาที่เรียนรู้ได้จําแนกmeta ระดับสำหรับแต่ละฐานลักษณนาม การวัดผลการศึกษารถไฟลักษณนาม meta
สำหรับแต่ละฐานลักษณนามซึ่งพยายามที่จะคาดการณ์เมื่อลักษณนามฐานล้มเหลว
นี้การตัดสินใจจะขึ้นอยู่กับคุณลักษณะของชุดข้อมูล การออกเสียงลงคะแนนถ่วงน้ำหนักของฐานการคาดการณ์จําแนก 'จะช่วยให้การคาดการณ์ชั้นสุดท้าย น้ำหนักการออกเสียงลงคะแนนเป็นความเชื่อมั่นสำหรับการคาดการณ์ที่ถูกต้องของลักษณนามฐานซึ่งประเมินโดยที่จําแนกmeta ที่เกี่ยวข้อง

ผลลัพธ์ (ไทย) 3:

และ dzeroski zenko ( 2002 ) ศึกษาซ้อนในเสนอขยาย
โดยทิ้ง& Witten ( 1999 ) พวกเขาพบว่า เมื่อเปรียบเทียบกับอื่น ๆรูปแบบการเรียนรู้
วงซ้อนกับ MLR เป็นเมตาลักษณนามที่แข่งขันที่ดีที่สุดเลือกโดย crossvalidation
( x-val ) ไม่พบดีกว่า
เอกสารเรียกร้อง ขณะที่ smm5 ตัวแปรใหม่ของพวกเขา
เต้น x-val. อย่างชัดเจนขอเปรียบเทียบเพื่อแก้ปัญหาความขัดแย้งในวรรณกรรม .
seewald & furnkranz ตั้ง ( 2001 ) เสนอแผนเรียกคะแนนที่เรียนรู้
Meta สำหรับแต่ละฐานระดับลักษณนามลักษณนาม การรถไฟเมตาสำหรับแต่ละฐานลักษณนามลักษณนาม
ซึ่งพยายามที่จะทำนายเมื่อฐานตัวล้มเหลว การตัดสินใจนี้
จะขึ้นอยู่กับคุณสมบัติของชุดข้อมูล . เป็นการโหวตของฐาน
คำ ' พยากรณ์ให้ทำนายระดับสุดท้าย การลงคะแนนน้ำหนัก
ความเชื่อมั่นสำหรับการทำนายที่ถูกต้องของฐานกระบอกซึ่งคาดว่าโดย
เกี่ยวข้อง Meta ลักษณนาม