We present an empirical comparison

We present an empirical comparison of the AUC performance
of seven supervised learning methods: SVMs, neural
nets, decision trees, k-nearest neighbor, bagged trees, boosted
trees, and boosted stumps. Overall, boosted trees have the
best average AUC performance, followed by bagged trees, neural
nets and SVMs. We then present an ensemble selection
method that yields even better AUC. Ensembles are built
with forward stepwise selection, the model that maximizes
ensemble AUC performance being added at each step. The
proposed method builds ensembles that outperform the best
individual model on all the seven test problems.

ผลลัพธ์ (ไทย) 2:

เรานำเสนอการเปรียบเทียบเชิงประจักษ์ของประสิทธิภาพ AUC
เจ็ดวิธีการเรียนรู้ภายใต้การดูแล: SVMs
ระบบประสาทมุ้งตัดสินใจต้นไม้เพื่อนบ้าน
k-ใกล้ที่สุดถุงต้นไม้เพิ่มขึ้นต้นไม้และตอไม้เพิ่มขึ้น โดยรวมได้แรงหนุนต้นไม้มีประสิทธิภาพการทำงานที่ดีที่สุด AUC เฉลี่ยตามด้วยต้นไม้ถุงประสาทมุ้งและSVMs จากนั้นเราจะนำเสนอการเลือกชุดวิธีการที่อัตราผลตอบแทนที่ดียิ่งขึ้น AUC ตระการตาที่ถูกสร้างขึ้นด้วยการเลือกแบบขั้นตอนข้างหน้ารูปแบบที่ช่วยเพิ่มประสิทธิภาพการทำงานของAUC วงดนตรีที่เพิ่มเข้ามาในแต่ละขั้นตอน วิธีที่นำเสนอสร้างความตระการตาที่มีประสิทธิภาพสูงกว่าที่ดีที่สุดรูปแบบของแต่ละบุคคลในทุกเจ็ดทดสอบปัญหา

ผลลัพธ์ (ไทย) 3:

เรานำเสนอการเปรียบเทียบเชิงประจักษ์ของค่าประสิทธิภาพ
7 มีวิธีการเรียนรู้แบบประสาท
: , มุ้ง , การตัดสินใจต้นไม้ละเพื่อนบ้าน จับต้นไม้เพิ่มขึ้น
ต้นไม้และเพิ่มขึ้นตอไม้ โดยรวม เพิ่มขึ้นต้นไม้
ที่ดีที่สุดค่าประสิทธิภาพเฉลี่ย ตามด้วยถุงต้นไม้ , มุ้งประสาท
แล้วแบบ . จากนั้นเราก็เลือกวิธีที่เสนอ ensemble
ผลผลิตดีกว่าค่า .ตระการตากับการเลือกเครื่องมือสร้าง

ส่งต่อรุ่นที่เพิ่มค่าประสิทธิภาพการเพิ่มขึ้นในแต่ละขั้นตอน
วิธีการสร้างตระการตาที่ลงแต่ละรุ่นที่ดีที่สุดในทั้งหมดเจ็ดทดสอบ

ปัญหา .