we first sort theattribute values i

we first sort the
attribute values in the training instances. We then compute the information gain
obtained by splitting at each value. For example, if the training instances have
values 1, 10, 15, and 25 for an attribute, the split points considered are 1, 10, and
15; in each case values less than or equal to the split point form one partition
and the rest of the values form the other partition. The best binary split for the
attribute is the split that gives the maximum information gain.

ผลลัพธ์ (ไทย) 1:

ครั้งแรกที่เราจัดเรียงค่าแอตทริบิวต์
ในกรณีการฝึกอบรม จากนั้นเราจะคำนวณกำไร
ข้อมูลที่ได้รับโดยแยกมูลค่าที่แต่ละ ตัวอย่างเช่นถ้ากรณีการฝึกอบรมมีค่า 1
, 10, 15, และ 25 แอททริบิ, จุดแยกการพิจารณาเป็นที่ 1, 10, และ
15; ในแต่ละกรณีค่าน้อยกว่าหรือเท่ากับรูปแบบจุดแยกที่หนึ่งพาร์ทิชัน
และส่วนที่เหลือของค่ารูปแบบพาร์ทิชันอื่น ๆแยกไบนารีที่ดีที่สุดสำหรับแอตทริบิวต์
คือแยกที่จะช่วยให้ได้รับข้อมูลสูงสุด

ผลลัพธ์ (ไทย) 2:

เราต้องเรียงลำดับ
แสดงค่าในกรณีที่ฝึกอบรม เราคำนวณกำไรข้อมูล
รับ โดยแบ่งที่แต่ละค่า ตัวอย่างเช่น ถ้ามีอินสแตนซ์ฝึก
มีจุดแยกพิจารณาค่า 1, 10, 15 และ 25 สำหรับแอตทริบิวต์ 1, 10 และ
15 ในแต่ละกรณีค่า น้อยกว่า หรือเท่ากับจุดแยกรูปแบบพาร์ติชันหนึ่ง
แล้วเหลือค่าพาร์ติชันอื่น ๆ แบ่งไบนารีดีที่สุดสำหรับการ
แอตทริบิวต์จะแบ่งที่ให้กำไรสูงสุดของข้อมูล

ผลลัพธ์ (ไทย) 3:

เราเป็นครั้งแรกอย่างค่า
แอตทริบิวต์ในบางกรณีการฝึกอบรมที่ จากนั้นเราจะได้รับการประมวลผลข้อมูล
ได้รับโดยจะแยกในแต่ละค่า ตัวอย่างเช่นหากกรณีการฝึกอบรมที่มี
ค่า 110 , 15 และ 25 สำหรับแอตทริบิวต์ที่จุดแยกที่ได้รับการพิจารณาให้เป็น 1 , 10 และ 15
ซึ่งจะช่วยในแต่ละกรณีค่าน้อยกว่าหรือเท่ากับจุดแบ่งได้เป็นหนึ่งพาร์ติชั่น
และส่วนที่เหลือของค่าที่รูปแบบพาร์ติชันอื่นๆไบนารีที่ดีเยี่ยมที่แยกตัวออกใน
แอตทริบิวต์ที่จะแบ่งออกเป็นที่ทำให้ได้รับข้อมูลสูงสุด