17.2 NEAREST-NEIGHBOR LEARNINGAND D

17.2 NEAREST-NEIGHBOR LEARNING
AND DECISION TREES
In this section you will experiment with nearest-neighbor classification and decision
tree learning. For most of it, a real-world forensic glass classification dataset
is used.
We begin by taking a preliminary look at the dataset. Then we examine the effect
of selecting different attributes for nearest-neighbor classification. Next we study
class noise and its impact on predictive performance for the nearest-neighbor method.
Following that we vary the training set size, both for nearest-neighbor classification
and for decision tree learning. Finally, you are asked to interactively construct a
decision tree for an image segmentation dataset.
Before continuing you should review in your mind some aspects of the classification
task:
• How is the accuracy of a classifier measured?
• To make a good classifier, are all the attributes necessary?
• What is class noise, and how would you measure its effect on learning?
• What is a learning curve?
• If you, personally, had to invent a decision tree classifier for a particular
dataset, how would you go about it?

ผลลัพธ์ (ไทย) 1:

หา 17.2 เรียน NEAREST-เพื่อนบ้าน
ต้นไม้ตัดสินใจและ
ในส่วนนี้ คุณจะทดลองกับประเภทเพื่อนบ้านที่ใกล้ที่สุดและตัดสินใจ
เรียนแผนภูมิ สำหรับส่วนมากของมัน จริงโลกนิติเวชแก้วชุดข้อมูลประเภท
ใช้
เราเริ่ม โดยการดูที่ชุดข้อมูลเบื้องต้น แล้วเราตรวจสอบผล
เลือกแอตทริบิวต์ที่แตกต่างการจัดใกล้บ้าน เราศึกษาต่อไป
ระดับเสียงรบกวนและผลกระทบในการมอบประสิทธิภาพสำหรับวิธีใกล้บ้านจะ
ว่า เราเปลี่ยนชุดฝึกอบรมดังต่อไปนี้ขนาด ทั้งการจัดใกล้บ้าน
และ สำหรับการเรียนรู้ต้นไม้ตัดสินใจ สุดท้าย คุณจะต้องสร้างแบบโต้ตอบ
ต้นไม้การตัดสินใจสำหรับการภาพแบ่งชุดข้อมูล.
ก่อนคุณควรทบทวนในใจบางส่วนของการจัดประเภท
งาน:
•วิธีความถูกต้องของ classifier การวัด?
• classifier ดี ต้องมีคุณลักษณะทั้งหมดจำเป็น?
•ระดับเสียงคืออะไร และว่าจะคุณวัดผลการเรียนรู้?
•เส้นโค้งการเรียนรู้คืออะไร?
•ถ้าคุณ ส่วนตัว มีเตี๊ยม classifier ต้นไม้การตัดสินใจสำหรับ
ชุดข้อมูล ว่าจะไปเกี่ยวกับมัน

ผลลัพธ์ (ไทย) 2:

17.2 ใกล้ที่สุดเพื่อนบ้านเรียนรู้
และการตัดสินใจไม้
ในส่วนนี้คุณจะทดสอบกับการจัดหมวดหมู่เพื่อนบ้านที่ใกล้ที่สุดและการตัดสินใจ
การเรียนรู้ต้นไม้ สำหรับส่วนมากของมันโลกแห่งความจริงชุดจำแนกแก้วนิติวิทยาศาสตร์
จะใช้
เราเริ่มต้นด้วยการมองเบื้องต้นที่ชุด จากนั้นเราตรวจสอบผลกระทบ
ของการเลือกคุณลักษณะที่แตกต่างกันสำหรับการจัดหมวดหมู่เพื่อนบ้านที่ใกล้ที่สุด ต่อไปเราศึกษา
เสียงชั้นและผลกระทบต่อผลการดำเนินงานคาดการณ์สำหรับวิธีการเพื่อนบ้านใกล้ที่สุด
ต่อไปนี้ที่เราแตกต่างกันขนาดชุดการฝึกอบรมทั้งสำหรับการจัดหมวดหมู่เพื่อนบ้านที่ใกล้ที่สุด
สำหรับการตัดสินใจและการเรียนรู้ต้นไม้ สุดท้ายคุณจะถูกขอให้โต้ตอบสร้าง
ต้นไม้ตัดสินใจสำหรับการแบ่งส่วนภาพชุด
ก่อนดำเนินการต่อคุณควรตรวจสอบในใจของคุณบางแง่มุมของการจัดหมวดหมู่
งาน:
? •ความถูกต้องของตัวจําแนกเป็นวิธีการวัด
•เพื่อให้ลักษณนามที่ดีจะ คุณลักษณะที่จำเป็นทั้งหมดหรือไม่
•อะไรคือสิ่งที่รบกวนชั้นเรียนและวิธีการที่คุณจะวัดผลกระทบต่อการเรียนรู้
•ช่วงการเรียนรู้คืออะไร
•หากคุณเองมีการคิดค้นลักษณนามต้นไม้ตัดสินใจโดยเฉพาะอย่างยิ่ง
ชุดวิธีการที่คุณจะไป เกี่ยวกับมันได้หรือไม่

ผลลัพธ์ (ไทย) 3:

17.2 nearest-neighbor การเรียนรู้

และต้นไม้การตัดสินใจในส่วนนี้ คุณจะได้ทดลองกับเพื่อนบ้านที่ใกล้ที่สุดและการจำแนกการเรียนรู้ต้นไม้ตัดสินใจ

ส่วนใหญ่ ของ มัน จริง การใช้ข้อมูลทางนิติเวชแก้ว
.
เราจะเริ่มโดยการดูที่ข้อมูลเบื้องต้น . แล้วเราตรวจสอบผลของการเลือกคุณลักษณะที่แตกต่างกัน
สำหรับเพื่อนบ้านที่ใกล้ที่สุดการจัดประเภท ต่อไปเราจะศึกษา
รบกวนชั้นเรียน และผลกระทบต่อประสิทธิภาพและความวิธีการเพื่อนบ้านที่ใกล้ที่สุด
ต่อไปนี้ที่เราเปลี่ยนการตั้งค่าขนาด ทั้งเพื่อนบ้านที่ใกล้ที่สุดและต้นไม้ตัดสินใจการจำแนก
. ในที่สุด , คุณจะถูกถามเพื่อโต้ตอบสร้างต้นไม้ตัดสินใจสำหรับภาพ

ก่อนการแบ่งส่วนข้อมูล . คุณควรจะทบทวนในใจของคุณลักษณะบางอย่างของการจัดหมวดหมู่งาน :

- มีความถูกต้องของแบบวัด ?
- ทำดีประเภทที่มีคุณสมบัติทั้งหมดที่จำเป็น ?
- เสียงอะไรชั้นและวิธีที่คุณจะวัดผลต่อการเรียนรู้
- อะไรคือการเรียนรู้โค้ง
- ถ้าคุณ , บุคคลได้สร้างการตัดสินใจแบบต้นไม้สำหรับชุดข้อมูลเฉพาะ
, วิธีการที่คุณไปเกี่ยวกับมันได้หรือไม่