We reviewed and experimentally comp

We reviewed and experimentally compared the main approaches for learning
probability trees including a novel variant based on the Bayesian Information
Criterion (BIC). We conclude that overall the C4.4-approach performs best, and
the C4.5-approach second best. However, trees are much smaller for the latter
than for the former. Interestingly, if the number of classes is low, BIC performs
equally well. An additional advantage of BIC is that its trees are considerably
smaller than trees for the C4.5- or C4.4-approaches. If the number of classes is
too high (≥ 8 in our experiments), BIC fails because trees are too small.

ผลลัพธ์ (ไทย) 1:

เราตรวจสอบ และเปรียบเทียบแนวทางหลักในการเรียนรู้ experimentallyความน่าเป็นต้นรวมทั้งตัวแปรนวนิยายตามข้อมูลทฤษฎีเกณฑ์ (BIC) เราสรุปโดยรวมว่าวิธี C4.4 ทำดีที่สุด และC4.5-วิธีดีที่สุดที่สอง อย่างไรก็ตาม ต้นไม้มีขนาดเล็กมากสำหรับหลังกว่าในอดีต เป็นเรื่องน่าสนใจ หากจำนวนชั้นต่ำ BIC ดำเนินดีเท่า ๆ กัน มีข้อได้เปรียบของ BIC คือต้นไม้ของมันมากมีขนาดเล็กกว่าต้นไม้สำหรับการ C4.5 - หรือ C4.4-วิธี ถ้าหมายเลขของชั้นเรียนสูงเกินไป (≥ 8 ในการทดลองของเรา), BIC ล้มเหลวเนื่องจากต้นไม้มีขนาดเล็กเกินไป

ผลลัพธ์ (ไทย) 2:

เราตรวจสอบและทดลองเปรียบเทียบวิธีหลักสำหรับการเรียนรู้ต้นไม้รวมทั้งน่าจะเป็นตัวแปรนิยายบนพื้นฐานของข้อมูลคชกรรมเกณฑ์(BIC) เราสรุปได้ว่าโดยรวม C4.4-วิธีการดำเนินการที่ดีที่สุดและC4.5-วิธีการสองที่ดีที่สุด แต่ต้นไม้ที่มีขนาดเล็กมากสำหรับหลังกว่าในอดีต น่าสนใจว่าตัวเลขของการเรียนอยู่ในระดับต่ำ BIC ดำเนินการอย่างเท่าเทียมกัน ประโยชน์เพิ่มเติมของ BIC คือต้นไม้ที่มีมากมีขนาดเล็กกว่าต้นไม้สำหรับC4.5- หรือ C4.4-วิธี ถ้าจำนวนของการเรียนเป็นที่สูงเกินไป (≥ 8 ในการทดลองของเรา) BIC ล้มเหลวเนื่องจากต้นไม้มีขนาดเล็กเกินไป

ผลลัพธ์ (ไทย) 3:

เราตรวจสอบและทดลองเปรียบเทียบวิธีการหลักเพื่อการเรียนรู้
ต้นไม้ความน่าจะเป็นรวมถึงตัวแปรนวนิยายอิงเกณฑ์ข้อมูล
เบย์ ( BIC ) เราสรุปได้ว่า โดยรวม c4.4-approach มีประสิทธิภาพดีที่สุดและ
c4.5-approach ที่สองที่ดีที่สุด อย่างไรก็ตาม ต้นไม้มีขนาดเล็กมากสำหรับหลัง
มากกว่าเดิม น่าสนใจ ถ้าหมายเลขของการเรียนต่ำ บิกา
เท่าเทียมกันดี ประโยชน์เพิ่มเติมของบิ๊กคือต้นไม้มาก
เล็กกว่าต้นไม้สำหรับโปรแกรม C4.5 - หรือ c4.4-approaches . ถ้าจำนวนของชั้นเรียนคือ
สูงเกินไป ( ≥ 8 ในการทดลองของเรา ) , บิ๊กล้มเหลวเนื่องจากต้นไม้มีขนาดเล็กเกินไป