In this paper, we apply CDW and its

In this paper, we apply CDW and its variants to a collection of classication
tasks, and present evidence that the optimal amount of locality for feature weighting varies between the dierent tasks. For nine of the eleven data sets used,
at least one of the CDW weighting schemes signicantly improved classication
accuracy. (In the other two, none of the
uctuation in results was statistically
signicant.) With k = 1, the most local technique tested produced the most
accurate results for seven of the nine tasks for which results varied signicantly,
but showed signicantly lower accuracies for the remaining two tasks. Given the
variability, we conclude that it is advantageous to have a family of related techniques
(like the CDW family): the best method for each task can be selected via
cross-validation on the training cases, or can be based in many cases on relatively
simple properties of the task (e.g., the presence of irrelevant features)

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เราใช้ CDW
และตัวแปรของมันไปยังคอลเลกชันของไอออนบวกจัดประเภทงานและแสดงหลักฐานว่าจำนวนเงินที่เหมาะสมของสถานที่สำหรับน้ำหนักคุณลักษณะที่แตกต่างกันระหว่างdi หรือไม่งานที่ต่างกัน เก้าสิบเอ็ดชุดข้อมูลที่ใช้อย่างน้อยหนึ่งของแผนการน้ำหนักอย่างมีนัยสำคัญ CDW ดีขึ้นไอออนจัดประเภทความถูกต้อง (ในอีกสองไม่มีuctuation ในผลทางสถิติลาดเทนัยสำคัญ.) ด้วย k = 1, เทคนิคในท้องถิ่นส่วนใหญ่ผ่านการทดสอบการผลิตมากที่สุดผลลัพธ์ที่ถูกต้องสำหรับเจ็ดเก้างานที่ส่งผลอย่างมีนัยสำคัญที่แตกต่างกันแต่มีอย่างมีนัยสำคัญ ความถูกต้องที่ต่ำกว่าสำหรับส่วนที่เหลืออีกสองงาน ให้ความแปรปรวนเราสรุปได้ว่ามันเป็นประโยชน์ที่จะมีครอบครัวของเทคนิคที่เกี่ยวข้อง(เช่นครอบครัว CDW): วิธีที่ดีที่สุดสำหรับแต่ละงานสามารถเลือกได้ผ่านการตรวจสอบข้ามในกรณีที่การฝึกอบรมหรือสามารถอยู่ในหลาย ๆ กรณีใน ค่อนข้างคุณสมบัติที่เรียบง่ายของงาน(เช่นการมีคุณสมบัติที่ไม่เกี่ยวข้อง)

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้เราใช้ CDW และสายพันธุ์ของคอลเลกชันของ classi  ไอออนบวก
งานและแสดงหลักฐานที่เหมาะสมสําหรับจํานวนท้องถิ่นมีน้ำหนักแตกต่างกันระหว่าง ดิ  erent งาน 9 ข้อมูล 11 ชุดใช้
อย่างน้อยหนึ่งของแผนการปรับปรุง signi  CDW น้ำหนักลดลงอย่างมีนัยสําคัญเมื่อ classi  ไอออนบวก
ความถูกต้อง ( ในอีกสอง ไม่มีผลอย่างมีนัยสำคัญ uctuation

signi  ลาดเท ) กับ K = 1 , เทคนิคในท้องถิ่นมากที่สุดทดสอบผลิตที่สุด
ผลลัพธ์ที่ถูกต้องสำหรับเจ็ดของเก้างานซึ่งผลลัพธ์แตกต่างกัน signi  ลดลงอย่างมีนัยสําคัญเมื่อ
แต่พบ signi ,  ลดลงอย่างมีนัยสําคัญเมื่อลดความถูกต้องสำหรับอีกสองงาน ได้รับ
ซึ่งสรุปได้ว่ามันเป็นประโยชน์ที่จะมีครอบครัวของเทคนิคที่เกี่ยวข้อง
( ชอบครอบครัว CDW )วิธีที่ดีที่สุดสำหรับแต่ละงานสามารถเลือกผ่าน
ข้ามตรวจสอบเกี่ยวกับการฝึกอบรม กรณี หรือสามารถใช้ในหลายกรณีในค่อนข้าง
ง่ายคุณสมบัติของงาน ( เช่นการปรากฏตัวของคุณสมบัติที่ไม่เกี่ยวข้อง )