Abstract. The removal of irrelevant

Abstract. The removal of irrelevant or redundant attributes could benefit us in making decisions and
analyzing data efficiently. Feature Selection is one of the most important and frequently used techniques in
data preprocessing for data mining. In this paper, special attention is made on feature selection for
classification with labeled data. Here an algorithm is used that arranges attributes based on their importance
using two independent criteria. Then, the arranged attributes can be used as input one simple and powerful
algorithm for construction decision tree (Oblivious Tree). Results indicate that this decision tree using
featured selected by proposed algorithm outperformed decision tree without feature selection. From the
experimental results, it is observed that, this method generates smaller tree having an acceptable accuracy.
Keywords: Decision Tree, Feature Selection, Classification Rules, Oblivious Tree

ผลลัพธ์ (ไทย) 1:

นามธรรม การกำจัดของคุณลักษณะที่ไม่เกี่ยวข้องหรือซ้ำซ้อนเราจะได้ประโยชน์ในการตัดสินใจและการวิเคราะห์ข้อมูล
ได้อย่างมีประสิทธิภาพ การเลือกคุณลักษณะที่เป็นหนึ่งในเทคนิคที่สำคัญที่สุดและใช้บ่อยใน
preprocessing ข้อมูลสำหรับการทำเหมืองข้อมูล ในงานวิจัยนี้ให้ความสนใจเป็นพิเศษคือการเลือกทำในลักษณะการจัดหมวดหมู่
กับข้อมูลที่ระบุว่าอัลกอริทึมที่นี่จะใช้คุณสมบัติที่จัดขึ้นอยู่กับความสำคัญของพวกเขา
ใช้สองเกณฑ์ที่เป็นอิสระ แล้วคุณสมบัติจัดสามารถนำมาใช้เป็น input
อัลกอริทึมหนึ่งที่ง่ายและมีประสิทธิภาพสำหรับการตัดสินใจของต้นไม้ก่อสร้าง (ต้นไม้ลบเลือน) ผลลัพธ์ที่แสดงให้เห็นว่าต้นไม้การตัดสินใจครั้งนี้ใช้
จุดเด่นเลือกโดยอัลกอริทึมที่นำเสนอประสิทธิภาพสูงกว่าต้นไม้ตัดสินใจโดยไม่มีการเลือกคุณลักษณะ จาก
ผลการทดลองจะสังเกตเห็นว่าวิธีการนี​​้จะสร้างต้นไม้ที่มีขนาดเล็กมีความถูกต้องเป็นที่ยอมรับ
คำหลัก:. ต้นไม้ตัดสินใจเลือกคุณสมบัติกฎการจำแนกต้นไม้ลบเลือน

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ เอาแอตทริบิวต์ซ้ำซ้อน หรือไม่เกี่ยวข้องได้ประโยชน์เราในการตัดสินใจ และ
วิเคราะห์ข้อมูลได้อย่างมีประสิทธิภาพได้ เลือกคุณลักษณะเป็นหนึ่งในเทคนิคสำคัญ และใช้บ่อยใน
ข้อมูลที่ประมวลผลเบื้องต้นสำหรับการทำเหมืองข้อมูล ในเอกสารนี้ ทำความสนใจพิเศษกับการเลือกคุณลักษณะสำหรับ
จัดประเภทข้อมูลป้าย ที่นี่เป็นอัลกอริทึมที่ใช้จัดเรียงตามความสำคัญคุณลักษณะ
ใช้เกณฑ์สองอิสระ สามารถใช้แอตทริบิวต์ที่จัดเป็นหนึ่งสัญญาณที่ง่าย และมีประสิทธิภาพแล้ว
อัลกอริทึมสำหรับต้นไม้การตัดสินใจก่อสร้าง (ลบเลือนต้นไม้) ผลลัพธ์บ่งชี้ว่า ใช้ต้นไม้ตัดสินใจนี้
เลือก โดยต้นไม้การตัดสินใจที่ outperformed อัลกอริทึมที่นำเสนอไม่มีการเลือกคุณลักษณะที่โดดเด่น จากการ
ผลการทดลอง มันจะสังเกตว่า วิธีนี้สร้างต้นไม้ขนาดเล็กที่มีการยอมรับความถูกต้อง.
คำสำคัญ: ต้นไม้การตัดสินใจ การ เลือกคุณลักษณะ กฎการจัดประเภท ทรีลบเลือน

ผลลัพธ์ (ไทย) 3:

ความจริง. การลบแอตทริบิวต์ไม่เกี่ยวข้องหรือสำรองจะได้รับประโยชน์ในการตัดสินใจและการวิเคราะห์ข้อมูล
ซึ่งจะช่วยได้อย่างมี ประสิทธิภาพ โดดเด่นไปด้วยทางเลือกคือหนึ่งในเทคนิคและสำคัญที่สุดที่ใช้งานใน preprocessing
ข้อมูลสำหรับการคัดกรองข้อมูล ในเอกสารนี้ให้ความสนใจเป็นพิเศษคือทำให้การเลือกคุณสมบัติสำหรับ
การแบ่ง ประเภท พร้อมด้วยข้อมูลมีข้อความอัลกอริธึมที่อยู่ที่นี่มีการใช้แอตทริบิวต์ที่จัดทำขึ้นอยู่กับความสำคัญของตนทั้งสอง
การใช้เกณฑ์เป็นอิสระ แอตทริบิวต์จากนั้นจัดให้บริการสามารถใช้เป็นอินพุตหนึ่งแบบเรียบง่ายและทรงพลัง
อัลกอริทึมสำหรับทรีการตัดสินใจการก่อสร้าง(ทรีไม่รู้) ผลการค้นหาแสดงว่าต้นไม้การตัดสินใจนี้โดยใช้
โดดเด่นที่เลือกโดยอัลกอริธึมที่เสนอ outperformed ต้นไม้การตัดสินใจโดยไม่ต้องเลือกคุณสมบัติ จากที่
ตามมาตรฐานผลการทดลองพบว่ามันมีวิธีนี้จะสร้างต้นไม้ขนาดเล็กมีความแม่นยำที่ยอมรับ.
คีย์เวิร์ดการตัดสินใจทรีโดดเด่นไปด้วยทางเลือกการจัดชั้นลูกหนี้ไม่รู้กฎระเบียบทรี