(Brazdil, Gama & Henry, 1994) have

(Brazdil, Gama & Henry, 1994) have investigated meta-level learning to predict
the best classifier for a given dataset. They use a confidence interval around
the best accuracy to define applicable 14 and inapplicable classifiers for each
dataset. Our approach uses the statistical t-Test instead. While their approach
has to integrate possibly conflicting rules concerning applicability, making the
evaluation quite complex, our approach can predict significant differences directly.
Furthermore, the focus on using only decision trees and derived rules
may have lead to inferior results as we had to use a variety of machine learning
techniques to get best results. They also considered only one-against-all comparisons between candidate classifiers instead of the pairwise comparisons which we investigated.

ผลลัพธ์ (ไทย) 1:

(Brazdil กามาและเฮนรี 1994) ได้สืบสวนระดับ meta-เรียนรู้ที่จะทำนายclassifier สุดสำหรับชุดข้อมูลที่กำหนด พวกเขาใช้ช่วงความเชื่อมั่นรอบความถูกต้องที่สุดเพื่อกำหนดคำนามภาษา 14 และ inapplicable ที่ใช้สำหรับแต่ละชุดข้อมูล วิธีของเราใช้สถิติ t ทดสอบแทน ในขณะที่วิธีการของพวกเขามีการรวมกฎอาจขัดแย้งกันเกี่ยวกับความเกี่ยวข้องของ ทำประเมินค่อนข้างซับซ้อน วิธีการของเราสามารถทำนายความแตกต่างอย่างมีนัยสำคัญโดยตรงนอกจากนี้ เน้นใช้เฉพาะตัดสินใจต้นไม้และกฎที่ได้รับอาจนำไปผลลัพธ์น้อยมีใช้หลากหลายเรียนรู้ของเครื่องเทคนิคเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด พวกเขาได้พิจารณาเปรียบเทียบเฉพาะหนึ่งกับทั้งหมดระหว่างคำนามภาษาผู้สมัครแทนเปรียบเทียบแพร์ไวส์ซึ่งเราตรวจสอบ

ผลลัพธ์ (ไทย) 2:

(Brazdil, กามาและเฮนรี่ 1994)
มีการสอบสวนการเรียนรู้ระดับเมตาดาต้าที่จะคาดการณ์จําแนกที่ดีที่สุดสำหรับชุดข้อมูลที่ได้รับ พวกเขาใช้ช่วงความเชื่อมั่นรอบความถูกต้องที่ดีที่สุดที่จะกำหนดบังคับ 14 และแยกแยะไม่เหมาะสมสำหรับแต่ละชุด วิธีการของเราใช้เสื้อทดสอบทางสถิติแทน ในขณะที่วิธีการของพวกเขามีเพื่อบูรณาการกฎระเบียบที่ขัดแย้งกันอาจจะเกี่ยวข้องกับการบังคับใช้ทำให้การประเมินผลค่อนข้างซับซ้อนวิธีการของเราสามารถคาดการณ์ความแตกต่างอย่างมีนัยสำคัญโดยตรง. นอกจากนี้มุ่งเน้นไปที่การใช้ต้นไม้ตัดสินใจเท่านั้นและกฎระเบียบที่ได้มาอาจจะต้องนำไปสู่ผลลัพธ์ที่ด้อยกว่าในขณะที่เรามีการใช้ความหลากหลายของการเรียนรู้เครื่องเทคนิคเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด พวกเขาถือว่ายังเพียงหนึ่งกับทุกการเปรียบเทียบระหว่างผู้สมัครลักษณนามแทนการเปรียบเทียบจากจำนวนที่เราตรวจสอบ

ผลลัพธ์ (ไทย) 3:

( brazdil กามา& , เฮนรี่ , 1994 ) ได้ศึกษาเรียนรู้เพื่อทำนายระดับเมตา
แบบที่ดีที่สุดให้ข้อมูล . พวกเขาใช้ช่วงความเชื่อมั่นที่ประมาณ
ความถูกต้องที่ดีที่สุดเพื่อกำหนดใช้บังคับ 14 และไม่เหมาะสมลักษณนามแต่ละ
วันที่ . วิธีการของเราใช้ t-test สถิติแทน ในขณะที่วิธีการของพวกเขาเพื่อบูรณาการ
อาจจะขัดแย้งกัน กฎที่เกี่ยวข้องกับมาสทำให้
การประเมินค่อนข้างซับซ้อน ระบบของเราสามารถทำนายแตกต่างกันตรง .
นอกจากนี้ มุ่งเน้นการใช้ต้นไม้การตัดสินใจเท่านั้น และใช้กฎ
อาจจะนำไปสู่ผลลัพธ์ที่ด้อยกว่า เราต้องใช้ความหลากหลายของเครื่องจักรการเรียนรู้
เทคนิคเพื่อให้ได้ผลลัพธ์ที่ดีที่สุดพวกเขายังถือว่าเป็นเพียงหนึ่งกับการเปรียบเทียบระหว่างผู้สมัครที่มีแทนของคู่เปรียบเทียบที่เราศึกษา .