Decision trees have been widely use

Decision trees have been widely used for classification in Data mining. Number of decision tree algorithms has been developed in the past. The SLIQ algorithm [ 2 ] was developed with an aim to reduce diversity of the decision tree at each split. However the number of split points which needs to be examined while building the decision tree becomes enormous as the SLIQ algorithm evaluates Gini Index at every successive midpoint of attribute values. The paper proposes a novel approach to tackle this problem by reducing the number of split points to a large extent in order to improve the performance of SLIQ algorithm. The improved performance is shown on large number of benchmark datasets taken from UCI machine learning repository.

ผลลัพธ์ (ไทย) 1:

ต้นไม้ตัดสินใจมีการใช้กันอย่างแพร่หลายสำหรับการจัดประเภทในการทำเหมืองข้อมูล จำนวนของอัลกอริทึมต้นไม้ตัดสินใจได้รับการพัฒนาในอดีต อัลกอริทึม SLIQ [2] ได้รับการพัฒนา โดยมีเป้าหมายเพื่อลดความหลากหลายของต้นไม้การตัดสินใจที่แยกแต่ละ อย่างไรก็ตาม จำนวนจุดแยกซึ่งต้องตรวจสอบขณะสร้างต้นไม้ตัดสินใจ จะมหาศาลเป็นอัลกอริทึม SLIQ ประเมินดัชนี Gini ที่ทุกจุดกึ่งกลางที่ต่อเนื่องของค่าแอตทริบิวต์ กระดาษนำเสนอวิธีการใหม่เพื่อรับมือกับปัญหานี้ โดยการลดจำนวนจุดแยกในระดับใหญ่เพื่อปรับปรุงประสิทธิภาพการทำงานของอัลกอริทึม SLIQ ประสิทธิภาพที่เพิ่มขึ้นจะแสดงบนชุดข้อมูลมาตรฐานจาก UCI จักรเรียนรู้เก็บข้อมูลจำนวนมาก

ผลลัพธ์ (ไทย) 2:

ต้นไม้ตัดสินใจได้ถูกนำมาใช้กันอย่างแพร่หลายสำหรับการจัดหมวดหมู่ในการทำเหมืองข้อมูล จำนวนของขั้นตอนวิธีต้นไม้ตัดสินใจได้รับการพัฒนาในอดีต อัลกอริทึม SLIQ [2] ได้รับการพัฒนาโดยมีวัตถุประสงค์เพื่อลดความหลากหลายของต้นไม้การตัดสินใจในแต่ละแยก อย่างไรก็ตามจำนวนของจุดแยกที่จะต้องมีการตรวจสอบขณะที่การสร้างต้นไม้ตัดสินใจจะกลายเป็นอย่างมากเป็นอัลกอริทึม SLIQ ประเมิน Gini ดัชนีในทุกจุดกึ่งกลางต่อเนื่องของค่าแอตทริบิวต์ กระดาษที่นำเสนอแนวทางใหม่ที่จะจัดการปัญหานี้โดยการลดจำนวนของจุดแยกเพื่อขอบเขตขนาดใหญ่เพื่อที่จะปรับปรุงประสิทธิภาพการทำงานของอัลกอริทึม SLIQ ประสิทธิภาพที่เพิ่มขึ้นแสดงให้เห็นถึงจำนวนมากของชุดข้อมูลมาตรฐานที่นำมาจากพื้นที่เก็บข้อมูลการเรียนรู้เครื่อง UCI

ผลลัพธ์ (ไทย) 3:

การตัดสินใจต้นไม้ มีการใช้กันอย่างแพร่หลายในการจำแนกของการทำเหมืองข้อมูล จำนวนของขั้นตอนวิธีต้นไม้ตัดสินใจได้รับการพัฒนาในอดีต ขั้นตอนวิธี sliq [ 2 ] ได้ถูกพัฒนาขึ้นโดยมีวัตถุประสงค์เพื่อลดความหลากหลายของต้นไม้ การตัดสินใจในแต่ละแยก อย่างไรก็ตามจำนวนของแยกจุดที่ต้องตรวจสอบในขณะที่การสร้างแผนภาพการตัดสินใจแบบต้นไม้กลายเป็นมหาศาลเป็น sliq อัลกอริทึมประเมินดัชนี Gini ที่ทุกต่อเนื่องจุดกึ่งกลางของค่าแอตทริบิวต์ . กระดาษที่นำเสนอแนวทางใหม่ในการแก้ไขปัญหานี้ โดยการลดจำนวนของจุดแยกเพื่อขอบเขตขนาดใหญ่เพื่อปรับปรุงประสิทธิภาพของขั้นตอนวิธี sliq . การปรับปรุงประสิทธิภาพเป็นจำนวนมากของข้อมูลที่แสดงบนมาตรฐานที่ถ่ายจาก UCI การเรียนรู้เครื่องเก็บข้อมูล