A variety of machine learning algor

A variety of machine learning algorithms are available, e.g. decision tree learners such as C4.5 (Quinlan, 1993a), instance based learners such as IBk or KStar
(Cleary & Trigg, 1995), simple learners based on conditional probabilities such
as NaiveBayes and linear discriminants such as MLR (multi-response linear regression) – to name just a few. However, which one gives optimal or even acceptable
results for a given dataset at hand is as of now a black art. Meta-Learning approaches (Brazdil, Gama & Henry, 1994; Pfahringer et al., 2000) aim to solve
this problem by learning which classifier to choose from dataset characterization
features and the performance of simple landmark classifiers with mixed success,
but so far no reliable patterns have emerged. Some researchers rely on finetuning a single classifier which they presumably know best, while others try to
decide this question empirically on a case-by-case basis.

ผลลัพธ์ (ไทย) 1:

เครื่องเรียนรู้อัลกอริทึมที่หลากหลายที่มีอยู่ เช่น ตัดสินใจ C4.5 (Quinlan, 1993a), เช่นเรียนทรีอินสแตนซ์ที่ใช้เรียนเช่น IBk หรือ KStar(Cleary & ทริค 1995), เรียนง่ายโดยใช้กิจกรรมแบบมีเงื่อนไขเช่นNaiveBayes และ discriminants เชิงเส้นเช่น MLR (ตอบหลายถดถอยเชิงเส้น) – เพื่อชื่อไม่กี่ อย่างไรก็ตาม การให้เหมาะสม หรือที่ยอมรับได้ผลลัพธ์สำหรับการกำหนดชุดข้อมูลที่อยู่ ณขณะนี้ศิลปะสีดำ วิธีเรียน meta- (Brazdil กามาและเฮนรี 1994 Pfahringer และ al., 2000) จุดมุ่งหมายเพื่อแก้ปัญหาปัญหานี้ โดยที่ classifier เพื่อเลือกชุดข้อมูลจำแนกการเรียนรู้คุณลักษณะและประสิทธิภาพของคำนามภาษามาร์คอย่างดีผสมแต่จนได้เกิดรูปแบบไม่น่าเชื่อถือ นักวิจัยบางพึ่ง finetuning classifier เดียวซึ่งพวกเขาสันนิษฐานว่าทราบส่วน ในขณะที่คนอื่นพยายามตัดสินใจว่า คำถามนี้ empirically ในกรณีโดยกรณีพื้นฐาน

ผลลัพธ์ (ไทย) 2:

ความหลากหลายของขั้นตอนวิธีการเรียนรู้เครื่องที่มีอยู่เช่นการตัดสินใจของผู้เรียนเช่นต้นไม้ C4.5 (ควินแลน, 1993a) เช่นผู้เรียนเช่น IBK หรือ Kstar
(เคลียร์และ Trigg, 1995)
เรียนง่ายขึ้นอยู่กับความน่าจะเป็นเงื่อนไขดังกล่าวเป็นNaiveBayes และ discriminants เชิงเส้นเช่นอัตราดอกเบี้ย MLR (หลายการตอบสนองต่อการถดถอยเชิงเส้น) - ชื่อเพียงไม่กี่ แต่ที่หนึ่งที่จะช่วยให้ได้รับการยอมรับที่ดีที่สุดหรือแม้กระทั่งผลสำหรับชุดข้อมูลที่ได้รับในมือ ณ ขณะนี้เป็นศิลปะสีดำ
วิธีการเมตาเลิร์นนิ่ง (Brazdil, กามาและเฮนรี่ 1994. Pfahringer, et al, 2000) มุ่งมั่นที่จะแก้ปัญหานี้โดยการเรียนรู้ลักษณนามที่จะเลือกจากลักษณะชุดข้อมูลที่คุณสมบัติและประสิทธิภาพการทำงานของตัวจําแนกสถานที่สำคัญที่เรียบง่ายกับความสำเร็จผสมแต่จนถึงขณะนี้ยังไม่มี รูปแบบที่เชื่อถือได้เกิด นักวิจัยบางคนพึ่งพา finetuning ลักษณนามเดียวที่พวกเขาน่าจะรู้ดีที่สุดในขณะที่คนอื่น ๆ พยายามที่จะตัดสินใจคำถามนี้สังเกตุบนพื้นฐานกรณีโดยกรณี

ผลลัพธ์ (ไทย) 3:

ความหลากหลายของอัลกอริทึมการเรียนรู้ของเครื่องจักรที่มีอยู่ เช่น การตัดสินใจของผู้เรียน เช่น โปรแกรม C4.5 ( ควินแลนต้นไม้ , , 1993a ) ตัวอย่างจากผู้เรียน เช่น ibk หรือ Kstar
( จริงๆ&เหนี่ยวไก , 1995 ) , ง่ายผู้เรียนโดยใช้เงื่อนไขความน่าจะเป็นเช่น
เป็นนา ฟ เบส์ discriminants และเชิงเส้นเช่น MLR ( การถดถอยหลายเชิงเส้น ) และชื่อ เพียงไม่กี่ อย่างไรก็ตามที่ให้ที่ดีที่สุดหรือแม้กระทั่งยอมรับ
ผลให้ข้อมูลในมือคือ ณตอนนี้เป็นสีดำศิลปะ Meta วิธีการเรียน ( brazdil กามา& , เฮนรี่ , 1994 ; pfahringer et al . , 2000 ) มุ่งมั่นที่จะแก้ไขปัญหานี้โดยการเรียนรู้ซึ่งตัว

มีให้เลือกจากชุดข้อมูลคุณสมบัติและประสิทธิภาพของคำหลักง่าย ๆ กับความสำเร็จที่ผสม
แต่ตอนนี้ไม่มีความน่าเชื่อถือ รูปแบบที่เกิดขึ้นได้ นักวิจัยบางคนพึ่ง finetuning แบบเดียวที่พวกเขาน่าจะรู้ดีที่สุด ในขณะที่คนอื่นพยายาม
ตัดสินใจคำถามเชิงประจักษ์ตามกรณี