In this chapter we describe new exp

In this chapter we describe new experiments with the ensemble learning method
Stacking. The central question in these experiments was whether meta-learning
methods can be used to accurately predict various aspects of Stacking’s behaviour.
The resulting contributions of this chapter are two-fold: When learning
to predict the accuracy of Stacking, we found that the single most important
feature is the accuracy of the best base classifier. A simple linear model involving
just this feature turns out to be surprisingly accurate. When learning
to predict significant differences between Stacking and three related ensemble
learning methods, we have found simple models, all but one of which are based
on single features which can be efficiently computed directly from the dataset.
For one of these models, we were able to offer a tentative interpretation. These
models may ultimately be used to decide in advance which ensemble learning
scheme to use on a given dataset, since neither of them is always the best choice.
Furthermore, aiming to understand these models can lead to new insights into
Stacking’s behaviour. This chapter is an extended version of (Seewald, 2002b).

ผลลัพธ์ (ไทย) 1:

ในบทนี้ เราอธิบายทดลองใหม่ ด้วยวงดนตรีวิธีการเรียนรู้ซ้อน คำถามที่กลางในการทดลองเหล่านี้เป็นว่าเรียน meta-สามารถใช้วิธีการทำนายของ Stacking พฤติกรรมด้านต่าง ๆ ได้อย่างถูกต้องการจัดสรรผลของบทนี้จะพับสอง: เมื่อเรียนเพื่อทำนายความแม่นยำของ Stacking เราพบที่เดียวสำคัญที่สุดคุณลักษณะคือ ความถูกต้องของ classifier พื้นฐานที่สุด รูปแบบเส้นตรงเรื่องเกี่ยวข้องกับเพียงคุณลักษณะนี้เปิดออกจะน่าแปลกใจที่ถูกต้อง เมื่อเรียนรู้ทำนายว่า ความแตกต่างที่สำคัญระหว่าง Stacking สามเกี่ยวข้องกับวงดนตรีเรียนรู้วิธีการ เราได้พบแบบจำลองอย่างง่าย แต่ทุกคนที่อยู่ในคุณสมบัติเดียวที่สามารถมีประสิทธิภาพคำนวณโดยตรงจากชุดข้อมูลสำหรับรุ่นนี้ เราไม่สามารถให้ความแน่นอน เหล่านี้สุดจะใช้โมเดลการตัดสินใจล่วงหน้าเรียนรู้วงดนตรีที่โครงร่างเพื่อใช้ในการกำหนดชุดข้อมูล ตั้งแต่ไม่ได้เป็นตัวเลือกดีที่สุดเสมอนอกจากนี้ เล็งเข้าใจแบบจำลองเหล่านี้สามารถนำไปเจาะลึกใหม่ซ้อนของพฤติกรรม บทนี้เป็นการขยายรุ่น (Seewald, 2002b)

ผลลัพธ์ (ไทย) 3:

ในบทนี้เราจะอธิบายการทดลองใหม่ด้วยชุดการเรียน
เรียงซ้อน คำถามหลักในการทดลองเหล่านี้คือว่า meta การเรียนรู้
วิธีสามารถใช้ที่ถูกต้องทำนายด้านต่าง ๆของพฤติกรรมที่เกิดซ้อน .
ผลงานของบทนี้เป็นสองเท่าเมื่อการเรียนรู้
ทำนายความถูกต้องของการเรียงซ้อน เราพบว่า
ที่สำคัญเดียวมีความถูกต้องของฐานที่ดีที่สุดลักษณนาม ง่ายแบบเชิงเกี่ยวข้องกับ
เพียงคุณลักษณะนี้จะเปิดออกจะถูกต้องอย่างแปลกใจ เมื่อเรียนรู้
ทำนายความแตกต่างระหว่างสามวงซ้อนและเกี่ยวข้องกับ
วิธีการเรียน เราเจอแบบง่าย ๆทั้งหมด แต่หนึ่งซึ่งอยู่
คุณลักษณะเดียวที่สามารถมีประสิทธิภาพการคำนวณโดยตรงจากชุดข้อมูล .
สำหรับหนึ่งในรุ่นเหล่านี้ เราสามารถที่จะเสนอตีความคร่าวๆ โมเดลเหล่านี้
ในที่สุดอาจถูกใช้เพื่อตัดสินใจล่วงหน้า ซึ่งชุดการเรียน
โครงการที่จะใช้ในชุดข้อมูลที่ได้รับ เนื่องจากทั้งสองของพวกเขาอยู่เสมอเลือกที่ดีที่สุด .
นอกจากนี้ เป้าหมายที่จะเข้าใจโมเดลเหล่านี้สามารถนำไปสู่องค์ความรู้ใหม่ใน
ซ้อนของพฤติกรรม บทนี้เป็นรุ่นที่ขยายของ ( seewald 2002b , )