There are many approaches to combin

There are many approaches to combine multiple models without resorting to
ensemble learning schemes. Best known are simpler ensemble methods such
as Bagging (Breiman, 1996) and AdaBoost (F reund & Schapire, 1996), which
rely on training a set of diverse base classiers (typically via dierent subsam-ples of the training set), whose predictions are then combined by more-or-less
elaborate voting techniques, see e.g.

ผลลัพธ์ (ไทย) 1:

มีหลายวิธีการรวมหลายรูปแบบโดยไม่ต้องพยายามมากแบบแผนการเรียนรู้เพลิดเพลิน เที่ยวง่ายกว่าวงดนตรีวิธีการดังกล่าวเย็บถุง (Breiman, 1996) และ AdaBoost (F reund & Schapire, 1996), ที่พึ่งฝึกชุดการสกู๊ป classi หลากหลายพื้นฐาน (โดยทั่วไปผ่าน di erent subsam-ples ของชุดฝึกอบรม), ที่แล้วรวมที่คาดคะเน โดยมาก หรือน้อยอธิบายเทคนิคการลงคะแนนเสียง ดูเช่น

ผลลัพธ์ (ไทย) 2:

มีหลายวิธีที่จะรวมหลายรูปแบบโดยไม่ต้อง resorting
มีทั้งชุดรูปแบบการเรียนรู้ ที่รู้จักกันดีที่สุดคือวิธีการที่วงดนตรีที่เรียบง่ายเช่นเป็นห่อ (Breiman, 1996) และ AdaBoost (F reund และ Schapire, 1996) ซึ่งพึ่งพาการฝึกอบรมชุดของERS จัดประเภทฐานความหลากหลาย (โดยทั่วไปผ่านทางดิ? ต่างกัน subsam-Ples ชุดฝึกอบรม) ซึ่งมีการคาดการณ์ที่จะรวมกันแล้วขึ้นหรือน้อยซับซ้อนเทคนิคการออกเสียงลงคะแนนเห็นเช่น

ผลลัพธ์ (ไทย) 3:

มีหลายวิธีที่จะรวมหลายรูปแบบโดยไม่ต้อง resorting
ชุดการเรียนรู้แบบ . ที่ดีที่สุดที่รู้จักกันเป็นง่ายวิธีการทั้งหมดเช่น
เป็นถุง ( breiman , 1996 ) และ adaboost ( F reund & schapire , 1996 ) ซึ่ง
พึ่งฝึกชุดความหลากหลายของฐาน classi  ERS ( มักจะผ่าน ดิ  erent subsam ples ของชุดฝึกอบรม ) ซึ่งมีการคาดการณ์จะรวมกันโดยมากหรือน้อย
เทคนิคที่ซับซ้อน เช่น การดู