Automatic Parameter TuningMany lear

Automatic Parameter Tuning
Many learning algorithms have parameters that can affect the outcome of learning.
For example, the decision tree learner C4.5 has two parameters that influence the
amount of pruning (we saw one, the minimum number of instances required in a
leaf, in Section 17.3). The k-nearest-neighbor classifier IBk has a parameter (k) that
sets the neighborhood size. But manually tweaking parameter settings is tedious,
just like manually selecting attributes, and presents the same problem: The test data
must not be used when selecting parameters; otherwise, the performance estimate
will be biased.

ผลลัพธ์ (ไทย) 1:

ปรับแต่งพารามิเตอร์อัตโนมัติ
จำนวนมากเรียนรู้อัลกอริทึมมีพารามิเตอร์ที่มีผลต่อผลลัพธ์ของการเรียนรู้
ตัวอย่าง เรียนต้นไม้ตัดสินใจ C4.5 มีพารามิเตอร์สองตัวที่มีอิทธิพลต่อ
จำนวนตัด (เราเห็นหนึ่ง จำนวนของอินสแตนซ์ที่ต้องการ
ลีฟ ในส่วน 17.3) K ใกล้บ้าน classifier IBk มีพารามิเตอร์ (k) ที่
ชุดขนาดใกล้เคียงกัน แต่ tweaking พารามิเตอร์การตั้งค่าด้วยตนเองไม่น่าเบื่อ,
เหมือนตนเองเลือกคุณลักษณะ และการนำเสนอปัญหาเดียวกัน: ข้อมูลทดสอบ
ต้องไม่ใช้เมื่อเลือกพารามิเตอร์ มิฉะนั้น ประเมินประสิทธิภาพ
จะลำเอียง

ผลลัพธ์ (ไทย) 2:

อัตโนมัติพารามิเตอร์การปรับแต่ง
ขั้นตอนวิธีการเรียนรู้มีหลายตัวแปรที่สามารถมีผลต่อผลลัพธ์ของการเรียนรู้
ตัวอย่างเช่น C4.5 ตัดสินใจเรียนต้นไม้มีสองตัวแปรที่มีอิทธิพลต่อ
ปริมาณของการตัดแต่งกิ่ง (เราเห็นว่ามีคนจำนวนไม่น้อยกว่ากรณีที่จำเป็นต้องใช้ใน
ใบ ในมาตรา 17.3) k-เพื่อนบ้านที่ใกล้ที่สุดลักษณนาม IBK มีพารามิเตอร์ (k) ที่
กำหนดขนาดพื้นที่ใกล้เคียง แต่ตนเองปรับการตั้งค่าพารามิเตอร์จะน่าเบื่อ
ด้วยตนเองเช่นเดียวกับการเลือกคุณลักษณะและนำเสนอปัญหาเดียวกัน: ข้อมูลการทดสอบ
จะต้องไม่ถูกนำมาใช้เมื่อมีการเลือกพารามิเตอร์ มิฉะนั้นการประเมินผลการปฏิบัติงาน
จะได้รับการลำเอียง

ผลลัพธ์ (ไทย) 3:

อัตโนมัติการปรับค่าพารามิเตอร์
หลายอัลกอริทึมการเรียนรู้มีพารามิเตอร์ที่สามารถมีผลต่อผลลัพธ์ของการเรียนรู้
ตัวอย่างเช่น การตัดสินใจเรียนโปรแกรม C4.5 มีต้นไม้สองพารามิเตอร์ที่มีอิทธิพลต่อปริมาณการตัดแต่งกิ่ง
( เราเห็นหนึ่ง จำนวนขั้นต่ำของอินสแตนซ์ที่ใช้ใน
ใบในส่วน 17.3 ) การ k-nearest-neighbor ลักษณนาม ibk มีพารามิเตอร์ ( K )
ชุดบ้านขนาดแต่ด้วยตนเองปรับเปลี่ยนพารามิเตอร์การตั้งค่าเป็นน่าเบื่อ
เหมือนด้วยตนเองการเลือกคุณลักษณะและนำเสนอปัญหาเดียวกัน : การทดสอบข้อมูล
ต้องใช้เมื่อเลือกพารามิเตอร์ หรือ ประเมินประสิทธิภาพ
จะลำเอียง