The C5.0() function makes it easy t

The C5.0() function makes it easy to add boosting to our C5.0 decision tree. We simply need to add an additional trials parameter indicating the number of separate decision trees to use in the boosted team. The trials parameter sets an upper limit; the algorithm will stop adding trees if it recognizes that additional trials do not seem to be improving the accuracy. We'll start with 10 trials, a number that has become the de facto standard, as research suggests that this reduces error rates on test data by about 25 percent:

ผลลัพธ์ (ไทย) 1:

ฟังก์ชัน C5.0() ทำให้ง่ายต่อการเพิ่มการส่งเสริมของเรา C5.0 ต้นไม้ตัดสินใจ นอกจากนี้เราก็ต้องเพิ่มพารามิเตอร์เพิ่มเติมทดลองบ่งชี้หมายเลขของต้นไม้ตัดสินใจแยกใช้ในทีมโปรโมท ตั้งค่าพารามิเตอร์การทดลองข้อจำกัด อัลกอริทึมจะหยุดการเพิ่มต้นไม้ถ้ารู้ว่า การทดลองเพิ่มเติมไม่ มีการปรับปรุงความถูกต้อง เราจะเริ่มต้น ด้วยการทดลอง 10 หมายเลขที่ได้กลายเป็นมาตรฐาน งานวิจัยแนะนำว่า ลดอัตราข้อผิดพลาดเมื่อทดสอบข้อมูล โดยประมาณ 25 เปอร์เซ็นต์:

ผลลัพธ์ (ไทย) 2:

C5.0 () ฟังก์ชันที่ทำให้ง่ายต่อการเพิ่มการส่งเสริมการต้นไม้ตัดสินใจ C5.0 ของเรา เราก็ต้องเพิ่มการทดลองเพิ่มเติมพารามิเตอร์ระบุจำนวนของต้นไม้ตัดสินใจแยกต่างหากที่จะใช้ในทีมเพิ่มขึ้น พารามิเตอร์การทดลองกำหนดขีด จำกัด บน; อัลกอริทึมจะหยุดการเพิ่มต้นไม้ถ้ามันรับรู้ว่าการทดลองเพิ่มเติมดูเหมือนจะไม่ได้รับการปรับปรุงความถูกต้อง เราจะเริ่มต้นด้วย 10 การทดลองจำนวนที่ได้กลายเป็นมาตรฐาน de facto เช่นการวิจัยแสดงให้เห็นว่านี้จะช่วยลดอัตราความผิดพลาดจากข้อมูลการทดสอบโดยประมาณร้อยละ 25:

ผลลัพธ์ (ไทย) 3:

การ c5. 0() ฟังก์ชันที่ทำให้ง่ายต่อการเพิ่มการส่งเสริมการตัดสินใจของเรา c5.0 ต้นไม้ เราก็ต้องเพิ่มเพิ่มเติมการทดลองพารามิเตอร์แสดงจำนวนของต้นไม้ที่แยกต่างหากเพื่อใช้ในการตัดสินใจ รวมทั้งทีม การทดลองใช้ชุดขีด จำกัด บน โดยจะหยุดการเพิ่มต้นไม้ถ้ามันรับรู้ว่า การทดลองเพิ่มเติมไม่ได้ดูเหมือนจะปรับปรุงความถูกต้อง เราจะเริ่มที่ 10 การทดลอง จำนวนที่ได้กลายเป็นมาตรฐาน de facto , การวิจัยชี้ให้เห็นว่า ลดอัตราความคลาดเคลื่อนในข้อมูลการทดสอบประมาณร้อยละ 25 :