Several alternative approaches for

Several alternative approaches for learning probability trees have been proposed
in the literature but currently no thorough comparison of these approaches
exists. Hence, it is unclear which approaches are preferable under which circumstances.
The goal of this paper is to compare the main existing approaches and
a novel variant. We incorporated them in the relational decision tree learner
Tilde [2] and evaluate them by performing experiments on benchmark datasets
and on manipulated datasets. We use both non-relational and relational datasets.

ผลลัพธ์ (ไทย) 1:

ได้รับการเสนอแนวทางเลือกหลายสำหรับเรียนรู้ความน่าเป็นต้นไม้ในวรรณคดีแต่ในปัจจุบันไม่เปรียบเทียบอย่างละเอียดของแนวทางเหล่านี้มีอยู่ ดังนั้น มันไม่ชัดเจนวิธีที่มีกว่าภายใต้สถานการณ์ใดเป้าหมายของเอกสารนี้คือการ เปรียบเทียบวิธีอยู่หลัก และตัวแปรนวนิยาย เรารวมอยู่ในผู้เรียนแผนภูมิการตัดสินใจเชิงเครื่องหมายตัวหนอน [2] และประเมินพวกเขา โดยทำการทดลองมาตรฐาน datasetsและบนจัดการ datasets เราใช้ datasets ไม่สัมพันธ์กัน และสัมพันธ์กัน

ผลลัพธ์ (ไทย) 2:

วิธีการทางเลือกหลายสำหรับต้นไม้น่าจะเป็นการเรียนรู้ที่ได้รับการเสนอในวรรณคดีแต่ในปัจจุบันไม่มีการเปรียบเทียบอย่างละเอียดของวิธีการเหล่านี้มีอยู่ ดังนั้นจึงเป็นที่ชัดเจนซึ่งจะมีวิธีที่ดีกว่าภายใต้สถานการณ์. เป้าหมายของบทความนี้คือการเปรียบเทียบวิธีการที่มีอยู่หลักและตัวแปรนวนิยาย เรารวมอยู่ในผู้เรียนต้นไม้ตัดสินใจเชิงสัมพันธ์หนอน [2] และประเมินพวกเขาโดยการดำเนินการทดลองในชุดข้อมูลมาตรฐานและจัดการชุดข้อมูล เราใช้ชุดข้อมูลทั้งสองไม่สัมพันธ์และความสัมพันธ์

ผลลัพธ์ (ไทย) 3:

หลายวิธีทางเลือกสำหรับการเรียนรู้ต้นไม้ความน่าจะเป็นได้เสนอ
ในวรรณคดี แต่ปัจจุบันยังไม่มีการเปรียบเทียบเหล่านี้อย่างละเอียดแนวทาง
มีอยู่ ดังนั้นจึงยังไม่ชัดเจน ซึ่งแนวทางที่เป็นที่นิยมภายใต้สถานการณ์ใด .
เป้าหมายของบทความนี้คือการเปรียบเทียบหลักที่มีอยู่และวิธีการ
ตัวแปรใหม่ เรารวมไว้ในการตัดสินใจเรียน
ต้นไม้สัมพันธ์ทิลเดอ [ 2 ] และประเมินได้ โดยทดลองในมาตรฐานข้อมูล
และจัดการชุดข้อมูล เราใช้ทั้งไม่สัมพันธ์และข้อมูลชุดข้อมูล