Most decision tree classifiers are

Most decision tree classifiers are designed to classify the data with categorical or Boolean class labels.
Unfortunately, many practical classification problems concern data with class labels that are naturally
organized as a hierarchical structure, such as test scores. In the hierarchy, the ranges in the upper levels
are less specific but easier to predict, while the ranges in the lower levels are more specific but harder to
predict. To build a decision tree from this kind of data, we must consider how to classify data so that the
class label can be as specific as possible while also ensuring the highest possible accuracy of the prediction.
To the best of our knowledge, no previous research has considered the induction of decision trees
from data with hierarchical class labels. This paper proposes a novel classification algorithm for learning
decision tree classifiers from data with hierarchical class labels. Empirical results show that the proposed
method is efficient and effective in both prediction accuracy and prediction specificity.

ผลลัพธ์ (ไทย) 1:

คำนามภาษาต้นไม้ตัดสินใจส่วนใหญ่ถูกออกแบบมาเพื่อจัดประเภทข้อมูล ด้วยป้ายชื่อคลาแตก หรือบูลีนอับ หลายประเภทปฏิบัติปัญหาเกี่ยวกับข้อมูลกับป้ายชื่อชั้นที่เป็นธรรมชาติจัดเป็นโครงสร้างลำดับชั้น เช่นคะแนนสอบ ในลำดับชั้น ช่วงในระดับบนไม่เฉพาะแต่การทำนาย ในขณะที่ช่วงในระดับต่ำกว่าเฉพาะแต่ยากที่จะทายไว้ ในการสร้างต้นไม้ตัดสินใจจากข้อมูลชนิดนี้ เราต้องพิจารณาวิธีการจัดประเภทข้อมูลเพื่อให้การป้ายชื่อคลาสสามารถเป็นกฎขณะที่ยัง มั่นใจคำทำนายได้แม่นยำสูงสุดกับความรู้ของเรา วิจัยก่อนหน้านี้ไม่ได้พิจารณาการเหนี่ยวนำของต้นไม้ตัดสินใจจากข้อมูลด้วยป้ายลำดับชั้น กระดาษนี้เสนอขั้นตอนวิธีการจัดประเภทนวนิยายเรียนตัดสินใจคำนามภาษาแผนภูมิจากข้อมูลด้วยป้ายลำดับชั้น ผลรวมแสดงว่าการนำเสนอวิธีได้อย่างมีประสิทธิภาพ และมีประสิทธิภาพในการพยากรณ์แม่นยำและ specificity ทำนาย

ผลลัพธ์ (ไทย) 2:

ส่วนใหญ่ตัดสินใจแยกประเภทต้นไม้ได้รับการออกแบบเพื่อจำแนกข้อมูลที่มีความเด็ดขาดหรือบูลีนป้ายระดับ.
แต่น่าเสียดายที่การจัดหมวดหมู่ปัญหาในทางปฏิบัติหลายข้อมูลความกังวลที่มีป้ายชื่อชั้นเรียนที่เป็นธรรมชาติจัดเป็นโครงสร้างลำดับชั้นเช่นคะแนนการทดสอบ
ในลำดับชั้นช่วงในระดับบนมีความเฉพาะเจาะจงน้อย แต่ง่ายต่อการคาดการณ์ในขณะที่ช่วงในระดับที่ต่ำกว่ามีความเฉพาะเจาะจงมากขึ้น แต่ยากที่จะคาดการณ์ เพื่อสร้างต้นไม้ตัดสินใจจากชนิดของข้อมูลนี้เราจะต้องพิจารณาวิธีการจำแนกข้อมูลเพื่อให้ฉลากระดับสามารถจะเป็นเฉพาะที่เป็นไปได้ขณะที่ยังมั่นใจความถูกต้องเป็นไปได้สูงสุดของการทำนาย. ที่ดีที่สุดของความรู้ของเราไม่มีการวิจัยก่อนหน้านี้ ได้มีการพิจารณาการเหนี่ยวนำของต้นไม้ตัดสินใจจากข้อมูลที่มีป้ายชื่อชั้นลำดับชั้น บทความนี้นำเสนอขั้นตอนวิธีนวนิยายสำหรับการเรียนรู้ลักษณนามต้นไม้ตัดสินใจจากข้อมูลที่มีป้ายชื่อชั้นลำดับชั้น ผลการศึกษาแสดงให้เห็นว่าการเสนอวิธีการที่มีประสิทธิภาพและมีประสิทธิภาพทั้งในการทำนายความถูกต้องและความจำเพาะทำนาย

ผลลัพธ์ (ไทย) 3:

ตามต้นไม้ การตัดสินใจส่วนใหญ่ถูกออกแบบมาเพื่อแยกข้อมูลกับตรรกะอย่างแท้จริง หรือป้ายห้อง .
น่าเสียดายมากในทางปฏิบัติการจำแนกปัญหาข้อมูลเกี่ยวกับชั้นเรียนป้ายชื่อที่เป็นธรรมชาติ
จัดเป็นโครงสร้างที่ลดหลั่นกัน เช่น คะแนนสอบ ในลำดับชั้น ช่วงในระดับบน
เฉพาะเจาะจงน้อยกว่า แต่ง่ายที่จะคาดการณ์ในขณะที่ช่วงในระดับล่างมีเฉพาะแต่หนัก
ทำนาย การสร้างต้นไม้การตัดสินใจจากชนิดนี้ของข้อมูล เราต้องพิจารณาวิธีการจำแนกข้อมูลเพื่อให้
เรียนป้ายชื่อสามารถระบุเป็นไปได้ในขณะที่ยังมั่นใจความถูกต้องสูงสุดของการทำนาย .
เพื่อที่ดีที่สุดของความรู้ของเรา ไม่เดิม การวิจัยได้พิจารณาการการตัดสินใจต้นไม้
จากข้อมูลที่มีป้ายชื่อคลาสแบบลำดับชั้น . บทความนี้เสนอวิธีใหม่สำหรับการเรียนรู้ต้นไม้ตัดสินใจการจำแนกแยกแยะข้อมูล
จากป้ายระดับลำดับชั้น . แสดงผลเชิงประจักษ์ที่เสนอวิธีที่มีประสิทธิภาพและมีประสิทธิภาพ
ทั้งความถูกต้องและความจำเพาะ
ทำนายพยากรณ์