Data Set Information:Car Evaluation

Data Set Information:

Car Evaluation Database was derived from a simple hierarchical decision model originally developed for the demonstration of DEX, M. Bohanec, V. Rajkovic: Expert system for decision making. Sistemica 1(1), pp. 145-157, 1990.). The model evaluates cars according to the following concept structure:

CAR car acceptability
. PRICE overall price
. . buying buying price
. . maint price of the maintenance
. TECH technical characteristics
. . COMFORT comfort
. . . doors number of doors
. . . persons capacity in terms of persons to carry
. . . lug_boot the size of luggage boot
. . safety estimated safety of the car

Input attributes are printed in lowercase. Besides the target concept (CAR), the model includes three intermediate concepts: PRICE, TECH, COMFORT. Every concept is in the original model related to its lower level descendants by a set of examples (for these examples sets see [Web Link]).

The Car Evaluation Database contains examples with the structural information removed, i.e., directly relates CAR to the six input attributes: buying, maint, doors, persons, lug_boot, safety.

Because of known underlying concept structure, this database may be particularly useful for testing constructive induction and structure discovery methods.
Qingping Tao Ph. D. MAKING EFFICIENT LEARNING ALGORITHMS WITH EXPONENTIALLY MANY FEATURES. Qingping Tao A DISSERTATION Faculty of The Graduate College University of Nebraska In Partial Fulfillment of Requirements. 2004. [View Context].

Daniel J. Lizotte and Omid Madani and Russell Greiner. Budgeted Learning of Naive-Bayes Classifiers. UAI. 2003. [View Context].

Jianbin Tan and David L. Dowe. MML Inference of Decision Graphs with Multi-way Joins and Dynamic Attributes. Australian Conference on Artificial Intelligence. 2003. [View Context].

Marc Sebban and Richard Nock and Stéphane Lallich. Stopping Criterion for Boosting-Based Data Reduction Techniques: from Binary to Multiclass Problem. Journal of Machine Learning Research, 3. 2002. [View Context].

Nikunj C. Oza and Stuart J. Russell. Experimental comparisons of online and batch versions of bagging and boosting. KDD. 2001. [View Context].

Marc Sebban and Richard Nock and Jean-Hugues Chauchat and Ricco Rakotomalala. Impact of learning set quality and size on decision tree performances. Int. J. Comput. Syst. Signal, 1. 2000. [View Context].

Iztok Savnik and Peter A. Flach. Discovery of multivalued dependencies from relations. Intell. Data Anal, 4. 2000. [View Context].

Jie Cheng and Russell Greiner. Comparing Bayesian Network Classifiers. UAI. 1999. [View Context].

Daniel J. Lizotte and Omid Madani and Russell Greiner. Budgeted Learning, Part II: The Na#ve-Bayes Case. Department of Computing Science University of Alberta. [View Context].

Huan Liu. A Family of Efficient Rule Generators. Department of Information Systems and Computer Science National University of Singapore. [View Context].

Zhiqiang Yang and Sheng Zhong and Rebecca N. Wright. Privacy-Preserving Classification of Customer Data without Loss of Accuracy. Computer Science Department, Stevens Institute of Technology. [View Context].

Jos'e L. Balc'azar. Rules with Bounded Negations and the Coverage Inference Scheme. Dept. LSI, UPC. [View Context].

Shi Zhong and Weiyu Tang and Taghi M. Khoshgoftaar. Boosted Noise Filters for Identifying Mislabeled Data. Department of Computer Science and Engineering Florida Atlantic University. [View Context].

Hyunwoo Kim and Wei-Yin Loh. Classification Trees with Bivariate Linear Discriminant Node Models. Department of Statistics Department of Statistics University of Tennessee University of Wisconsin. [View Context].

Daniel J. Lizotte. Library Release Form Name of Author. Budgeted Learning of Naive Bayes Classifiers. [View Context].

Nikunj C. Oza and Stuart J. Russell. Online Bagging and Boosting. Computer Science Division University of California. [View Context].

ผลลัพธ์ (ไทย) 1:

ข้อมูลชุดข้อมูล:ฐานข้อมูลประเมินรถที่มาจากแบบจำลองการตัดสินใจตามลำดับชั้นอย่างเดิม พัฒนาสำหรับการสาธิตของเดกซ์ M. Bohanec, V. Rajkovic: ระบบผู้เชี่ยวชาญในการตัดสินใจ Sistemica 1(1) นำ 145-157, 1990) แบบประเมินรถยนต์ตามโครงสร้างแนวคิดต่อไปนี้: รถรถ acceptability . ราคารวมราคา . . ซื้อราคาซื้อ . . ราคาบำรุงการบำรุงรักษา . ลักษณะทางเทคนิคของเทคโนโลยี . . สบายสบาย ...ประตูจำนวนประตู ...ท่านกำลังในคนเพื่อดำเนินการ ... lug_boot ขนาดของกระเป๋าสำหรับเริ่มต้นระบบ . . ประเมินความปลอดภัยความปลอดภัยของรถ แอททริบิวต์ที่ป้อนพิมพ์เล็ก นอกจากแนวคิดเป้าหมาย (รถ), รูปแบบรวมถึงแนวคิดกลางสาม: ราคา เทคโนโลยี ความสะดวกสบาย ทุกแนวคิดเป็นแบบดั้งเดิมที่เกี่ยวข้องกับลูกหลานระดับล่าง โดยชุดของตัวอย่าง (สำหรับเหล่านี้ตัวอย่างชุดดู [ลิงค์]) ฐานข้อมูลการประเมินรถยนต์ประกอบด้วยตัวอย่างโครงสร้างข้อมูลออก เช่น โดยตรงกับรถแอตทริบิวต์เข้า 6: ซื้อ บำรุง ประตู คน lug_boot ปลอดภัย เนื่องจากโครงสร้างแนวคิดต้นแบบชื่อดัง ฐานข้อมูลนี้อาจจะมีประโยชน์อย่างยิ่งสำหรับการทดสอบเหนี่ยวนำที่สร้างสรรค์และวิธีการค้นพบโครงสร้าง อัลกอริทึม Qingping เต่า Ph. D. ทำให้เรียนรู้อย่างมีประสิทธิภาพ ด้วยคุณสมบัติหลาย ๆ อย่างแทน เต่า Qingping A วิทยานิพนธ์คณะบัณฑิตวิทยาลัยมหาวิทยาลัยของรัฐเนแบรสกาในบางส่วนตอบสนองความต้องการ 2004. [ดูบริบท]Daniel J. Lizotte และมาดา นิ Omid และรัสเซล Greiner เรียนรู้ตามงบประมาณของคำนามภาษา Naive Bayes UAI 2003. [ดูบริบท]ตาล Jianbin และ David L. Dowe ข้อ MML ของกราฟที่ตัดสินใจมีหลายวิธีรวมและแอตทริบิวต์แบบไดนามิก ห้องประชุมที่ออสเตรเลียในปัญญาประดิษฐ์ 2003. [ดูบริบท]Marc Sebban และริชาร์ดหมุนนก และ Stéphane Lallich หยุดเงื่อนไขสำหรับเทคนิคลดการส่งเสริมใช้ข้อมูล: จากปัญหา Multiclass ไบนารี สมุดรายวันของเครื่องเรียนวิจัย 3 2002. [ดูบริบท]Nikunj C. Oza และ Stuart J. รัสเซล รุ่นชุดเย็บถุง และการส่งเสริมและทดลองเปรียบเทียบออนไลน์ KDD 2001. [ดูบริบท]Marc Sebban และริชาร์ดหมุนนก และฌอง-Hugues Chauchat และ Ricco Rakotomalala ผลกระทบของการตั้งค่าคุณภาพและขนาดในการแสดงแผนภูมิการตัดสินใจในการเรียนรู้ ของดอกเบี้ย J. Comput สัญญาณ syst., 1 2000. [ดูบริบท]Iztok Savnik และปีเตอร์ A. Flach การค้นพบการอ้างอิงที่มีหลายค่าจากความสัมพันธ์ Intell ข้อมูลทางทวารหนัก 4 2000. [ดูบริบท]เจิ้งเหอ Jie และรัสเซล Greiner เปรียบเทียบคำนามภาษาทฤษฎีเครือข่าย UAI 1999. [ดูบริบท]Daniel J. Lizotte และมาดา นิ Omid และรัสเซล Greiner เรียนรู้ตามงบประมาณ Part II: เดอะนา #ve-Bayes กรณี ภาควิชาคอมพิวเตอร์มหาวิทยาลัยวิทยาศาสตร์อัลเบอร์ตา [ดูบริบท]หวนเล่า ครอบครัวกฎประสิทธิภาพเครื่องกำเนิดไฟฟ้า แผนกสารสนเทศและคอมพิวเตอร์วิทยาศาสตร์มหาวิทยาลัยแห่งชาติสิงคโปร์ [ดูบริบท]Zhiqiang ยาง และ Sheng Zhong และรีเบคก้า ไรท์ N. ประเภทที่สงวนความเป็นส่วนตัวของข้อมูลของลูกค้าโดยไม่สูญเสียความแม่นยำ คอมพิวเตอร์วิทยาศาสตร์แผนก Stevens สถาบันเทคโนโลยี [ดูบริบท]Jos'e L. Balc'azar กฎ Negations กี่และโครงร่างข้อความครอบคลุม ฝ่าย LSI, UPC [ดูบริบท]Shi Zhong และ ทัง Weiyu และ Taghi เมตร Khoshgoftaar ตัวกรองเสียงที่เพิ่มขึ้นสำหรับการระบุข้อมูล Mislabeled แผนกคอมพิวเตอร์วิทยาศาสตร์และวิศวกรรมมหาวิทยาลัยฟลอริดาแอตแลนติก [ดูบริบท]คิม Hyunwoo และโละยินเว่ย ต้นไม้ประเภท มีรูปแบบเชิงเส้น Discriminant Bivariate โหน วิชาสถิติภาควิชาสถิติมหาวิทยาลัยเทนเนสซีมหาวิทยาลัยวิสคอนซิน [ดูบริบท]Daniel J. Lizotte ชื่อแบบฟอร์มของรุ่นของไลบรารีของผู้เขียน เรียนรู้ตามงบประมาณของคำนามภาษา Naive Bayes [ดูบริบท]Nikunj C. Oza และ Stuart J. รัสเซล เย็บถุงออนไลน์และส่งเสริม คอมพิวเตอร์วิทยาศาสตร์ส่วนมหาวิทยาลัยของรัฐแคลิฟอร์เนีย [ดูบริบท]

ผลลัพธ์ (ไทย) 2:

ข้อมูลชุดข้อมูล: ฐานข้อมูลการประเมินผลรถได้มาจากรูปแบบการตัดสินใจแบบลำดับชั้นที่เรียบง่ายการพัฒนามาสำหรับการสาธิตของ DEX เมตร Bohanec โวลต์ Rajkovic: ระบบผู้เชี่ยวชาญสำหรับการตัดสินใจ Sistemica 1 (1), PP. 145-157, 1990) รูปแบบการประเมินรถยนต์ตามโครงสร้างแนวคิดต่อไปนี้: CAR ยอมรับรถ ราคาราคาโดยรวม . ซื้อราคาซื้อ . ราคา maint ของการซ่อมบำรุง ลักษณะทางเทคนิคเทค . ความสะดวกสบายความสะดวกสบาย . . ประตูจำนวนประตู . . บุคคลที่มีความจุในแง่ของคนที่จะดำเนินการ . . lug_boot ขนาดของบูตกระเป๋า . ความปลอดภัยความปลอดภัยของรถประมาณคุณลักษณะการป้อนข้อมูลจะถูกพิมพ์ในตัวพิมพ์เล็ก นอกจากนี้แนวคิดเป้าหมาย (CAR), รูปแบบรวมถึงสามแนวคิดกลาง: ราคา, เทค, COMFORT แนวคิดที่ทุกคนเป็นในรูปแบบเดิมที่เกี่ยวข้องกับระดับที่ต่ำกว่าลูกหลานของตนโดยชุดของตัวอย่าง (สำหรับตัวอย่างเหล่านี้เห็นชุด [เว็บลิงค์]). ฐานข้อมูลการประเมินผลรถยนต์มีตัวอย่างที่มีโครงสร้างข้อมูลออกคือความสัมพันธ์โดยตรงกับรถหก ป้อนข้อมูลแอตทริบิวต์: ซื้อ maint ประตูคน lug_boot ความปลอดภัย. เพราะแนวคิดของโครงสร้างพื้นฐานที่รู้จักกันในฐานข้อมูลนี้อาจจะมีประโยชน์โดยเฉพาะอย่างยิ่งสำหรับการทดสอบการเหนี่ยวนำที่สร้างสรรค์และวิธีการค้นพบโครงสร้าง. Qingping เต่า Ph D. ทำขั้นตอนวิธีการเรียนรู้ที่มีประสิทธิภาพกับหลายชี้แจง. คุณสมบัติ Qingping เต่าวิทยานิพนธ์คณะบัณฑิตวิทยาลัยมหาวิทยาลัยเนบราสก้าในการปฏิบัติตามส่วนหนึ่งของการ 2004 [ดูบริบท]. แดเนียลเจ Lizotte และ Omid มาดาและรัสเซล Greiner งบประมาณการเรียนรู้ของหน่อมแน้ม-Bayes ลักษณนาม เอื้อย 2003 [ดูบริบท]. Jianbin ตาลและเดวิดลิตร Dowe MML อนุมานของกราฟการตัดสินใจที่มีหลายวิธีร่วมและแอตทริบิวต์แบบไดนามิก การประชุมออสเตรเลียปัญญาประดิษฐ์ 2003 [ดูบริบท]. มาร์ค Sebban และริชาร์ดและ Nock Stéphane Lallich หยุดเกณฑ์สำหรับการส่งเสริมการตามเทคนิคการลดข้อมูล: จากไบนารีจะ multiclass ปัญหา วารสารการวิจัยการเรียนรู้เครื่อง 3 ปี 2002 [ดูบริบท]. Nikunj ซี Oza จวร์ตและเจรัสเซล การเปรียบเทียบการทดลองของออนไลน์และรุ่นชุดของถุงและเพิ่ม KDD 2001 [ดูบริบท]. มาร์ค Sebban และริชาร์ดและฌอง Nock-Hugues Chauchat และ Ricco Rakotomalala ผลกระทบของคุณภาพชุดการเรียนรู้และขนาดในการตัดสินใจการแสดงต้นไม้ Int เจคอมพิวเต Syst สัญญาณ, 1 ปี 2000 [ดูบริบท]. Iztok Savnik และ Peter A. Flach การค้นพบการอ้างอิงจากความสัมพันธ์ที่มีหลาย Intell ข้อมูลทางทวารหนัก 4 ปี 2000 [ดูบริบท]. Jie เฉิงและรัสเซล Greiner เปรียบเทียบคชกรรมลักษณนามเครือข่าย เอื้อย 1999 [ดูบริบท]. แดเนียลเจ Lizotte และ Omid มาดาและรัสเซล Greiner งบประมาณการเรียนรู้ส่วนที่ ii: นา # ve-Bayes กรณี ภาควิชาวิทยาการคอมพิวเตอร์มหาวิทยาลัยอัลเบอร์ต้า [ดูบริบท]. Huan หลิว ครอบครัวปั่นไฟกฎที่มีประสิทธิภาพ ภาควิชาระบบสารสนเทศและวิทยาการคอมพิวเตอร์มหาวิทยาลัยแห่งชาติสิงคโปร์ [ดูบริบท]. Zhiqiang ยางและ Sheng Zhong และรีเบคก้าเอ็นไรท์ ความเป็นส่วนตัวการจำแนกประเภทของการรักษาข้อมูลของลูกค้าโดยไม่ต้องสูญเสียความแม่นยำ ภาควิชาวิทยาการคอมพิวเตอร์, Stevens Institute of Technology [ดูบริบท]. Jos'e ลิตร Balc'azar กฎที่มี negations ขอบเขตและความคุ้มครองการอนุมานโครงการ ฝ่าย LSI, UPC [ดูบริบท]. ชิ Zhong และ Weiyu ถังและ Taghi เมตร Khoshgoftaar เพิ่มขึ้นกรองเสียงรบกวนสำหรับการระบุข้อมูลเรียกไม่ถูก ภาควิชาวิทยาการคอมพิวเตอร์และวิศวกรรมมหาวิทยาลัยฟลอริดาแอตแลนติก [ดูบริบท]. ฮยอนอูคิมและ Wei-Yin Loh ต้นไม้ที่มีการจัดหมวดหมู่ทวิจำแนกเชิงเส้นโหนดรุ่น ภาควิชาสถิติภาควิชาสถิติมหาวิทยาลัยเทนเนสซีมหาวิทยาลัยวิสคอนซิน [ดูบริบท]. แดเนียลเจ Lizotte แบบฟอร์มที่วางจำหน่ายห้องสมุดชื่อของผู้เขียน งบประมาณการเรียนรู้ของ Naive Bayes ลักษณนาม [ดูบริบท]. Nikunj ซี Oza จวร์ตและเจรัสเซล บรรจุถุงออนไลน์และการส่งเสริม กองวิทยาการคอมพิวเตอร์ที่มหาวิทยาลัยแห่งแคลิฟอร์เนีย [ดูบริบท]

ผลลัพธ์ (ไทย) 3:

ชุดข้อมูลข้อมูล :

รถประเมินฐานข้อมูลได้มาจากการตัดสินใจแบบง่ายๆ การพัฒนาเดิมสำหรับการสาธิตของเด็กซ์ ม. bohanec V rajkovic : ระบบผู้เชี่ยวชาญเพื่อการตัดสินใจ sistemica 1 ( 1 ) , pp . 145-157 , 2533 ) แบบประเมินรถยนต์ตามโครงสร้างของแนวคิดต่อไปนี้ :

รถยอมรับ


ราคาโดยรวม ซื้อราคาที่ซื้อ

.ขนาดราคาของการรักษา

เทคโนโลยีลักษณะทางเทคนิค

สบายสบาย

. . . . . . . ประตูหลายประตู

. . . . . . . คนผลิตในแง่ของคนอุ้ม

. . . . . . . lug_boot ขนาดของที่เก็บรองเท้า

ประเมินความปลอดภัย ความปลอดภัยของรถ

ใส่แอตทริบิวต์จะถูกพิมพ์ในตัวพิมพ์เล็ก นอกจากนี้แนวคิดเป้าหมาย ( รถ ) , รูปแบบรวมถึงสามแนวคิดกลาง : ราคา , เทคนิค , ความสะดวกสบายทุกแนวคิดในรูปแบบเดิมที่เกี่ยวข้องกับระดับต่ำของลูกหลาน โดยชุดของตัวอย่างสำหรับตัวอย่างเหล่านี้ชุดดู [ เว็บ ] )

ประเมินรถกับโครงสร้างฐานข้อมูลประกอบด้วยตัวอย่างข้อมูลออก เช่น เกี่ยวข้องโดยตรงกับรถหกใส่คุณลักษณะ : การซื้อ , ขนาด , ประตู , คน , lug_boot ความปลอดภัย

เพราะรู้จักแนวคิดพื้นฐานโครงสร้างฐานข้อมูลนี้อาจจะมีประโยชน์โดยเฉพาะอย่างยิ่งสำหรับการสร้างสรรค์วิธีการทดสอบและการค้นพบโครงสร้าง
qingping เต๋า ปริญญาเอก การทำขั้นตอนวิธีการเรียนรู้อย่างมีประสิทธิภาพด้วยคุณสมบัติชี้แจงมากมาย qingping เต๋าวิทยานิพนธ์ คณะบัณฑิตวิทยาลัย มหาวิทยาลัยเนบราสก้าในการเติมเต็มบางส่วนของความต้องการ 2004 [ ดูบริบท ] .

แดเนียลเจ.และ lizotte omid มาดานิ และ รัสเซล ไกรเนอร์ . งบประมาณแบบไร้เดียงสา Bayes ลักษณนาม ไว . 2003 [ ดูบริบท ] .

เจียนบิ่น tan และเดวิดลิตร dowe . บริษัทได้สรุปการตัดสินใจกราฟกับหลายวิธีรวมและคุณลักษณะแบบไดนามิก การประชุมชาวออสเตรเลียในปัญญาประดิษฐ์ 2003 [ ดูบริบท ] .

มาร์ค sebban และริชาร์ดน็อกและ St é phane lallich .เกณฑ์สำหรับการหยุดใช้เทคนิคการลดข้อมูลไบนารีจากหลายปัญหา วารสารวิจัย , การเรียนรู้เครื่อง 3 2002 [ ดูบริบท ]

nikunj ซี. โอซ่า และ สจ๊วต เจ รัสเซล ทดลองการเปรียบเทียบออนไลน์และชุดรุ่นของถุงและเพิ่ม . KDD . 2001 [ ดูบริบท ] .

มาร์ค sebban และริชาร์ด บรรจุ และยีน และ hugues โชแชทริคโค่ rakotomalala .ผลกระทบของการตั้งค่าคุณภาพขนาดและสมรรถนะการเรียนรู้ต้นไม้ตัดสินใจ Int . J . คอมพิวเตอร์ . ระบบ . สัญญาณที่ 1 2000 [ ดูบริบท ]

iztok savnik และปีเตอร์ . flach . การค้นพบของ multivalued การอ้างอิงจากความสัมพันธ์ นเทล . ข้อมูลทางทวารหนัก , 4 2000 [ ดูบริบท ] .

Jie Cheng และรัสเซลไกรเนอร์ . การเปรียบเทียบคำลักษณนามเครือข่ายคชกรรม . ไว . 1999 [ ดูบริบท ] .

แดเนียลเจ.และ lizotte omid มาดานิ และ รัสเซล ไกรเนอร์ . สนับสนุนการเรียนรู้ ส่วนที่ ii : na #ได้ Bayes กรณี ภาควิชาคอมพิวเตอร์คณะวิทยาศาสตร์มหาวิทยาลัยอัลเบอร์ต้า [ ดูบริบท ] .

เฮือน หลิว ครอบครัวของเครื่องกำเนิดไฟฟ้าปกครองที่มีประสิทธิภาพ ภาควิชาระบบสารสนเทศและคอมพิวเตอร์วิทยาศาสตร์ของมหาวิทยาลัยแห่งชาติสิงคโปร์ [ ดูบริบท ]

zhiqiang หยางเซิงจง และ รีเบคก้า เอ็นไรท์การรักษาความเป็นส่วนตัวของข้อมูลลูกค้าโดยไม่สูญเสียความถูกต้อง กรมวิทยาศาสตร์คอมพิวเตอร์ , สตีเวน สถาบันเทคโนโลยี [ ดูบริบท ]

jos'e L . balc'azar . กฎจำกัด negations และครอบคลุมการอนุมานแบบ ฝ่าย LSI , UPC . [ ดูบริบท ] .

ซือจงเว่ยอี้ถัง และ taghi เมตรและ khoshgoftaar . ใช้ตัวกรองเสียงสำหรับการปลอมข้อมูลกรมวิทยาศาสตร์และวิศวกรรมคอมพิวเตอร์มหาวิทยาลัยฟลอริดาแอตแลนติก [ ดูบริบท ] .

ฮยอนวู คิม และ เว่ย หยินโล๊ะ . การถดถอยเชิงเส้นโหนดต้นไม้จำแนกรุ่น ภาควิชาสถิติภาควิชาสถิติมหาวิทยาลัยเทนเนสซีแห่งมหาวิทยาลัยวิสคอนซิน [ ดูบริบท ] .

Daniel J . lizotte . ห้องสมุดปล่อยรูปแบบชื่อผู้เขียนงบประมาณแบบไร้เดียงสา Bayes ลักษณนาม [ ดูบริบท ]

nikunj ซี. โอซ่า และ สจ๊วต เจ รัสเซล ออนไลน์การจัดการและการส่งเสริม . แผนกวิทยาศาสตร์คอมพิวเตอร์ของมหาวิทยาลัยแคลิฟอร์เนีย ดูบริบท
[ ]