We use Iris data set as an example

We use Iris data set as an example for showing the visualization
of ensemble classifier. Fig. 5 shows four individual
classifiers whose training error is below a pre-defined
threshold 0.1. From the attribute-class value mapping bars
(refer to [2]) in Fig. 6, it is easy to see that the most related
attributes are pw and pl (i.e., petalwidth and petallength).
That explains why four pairs of attributes (pl, pl), (pw, pl),
(pw, pw), (pl, pw) can grow the best trees.

ผลลัพธ์ (ไทย) 1:

เราใช้ชุดข้อมูล Iris เป็นตัวอย่างสำหรับการแสดงการแสดงภาพประกอบเพลงของวงดนตรี classifier Fig. 5 แสดงบุคคลที่สี่คำนามภาษาข้อผิดพลาดฝึกนี้กำหนดไว้ล่วงหน้าขีดจำกัด 0.1 จากแถบการแม็ปค่าแอตทริบิวต์คลา(อ้างอิง [2]) ใน Fig. 6 ซึ่งง่ายต่อการดูว่า ส่วนใหญ่ที่เกี่ยวข้องแอตทริบิวต์ pw และ pl (เช่น petalwidth และ petallength)ที่อธิบายว่า ทำไมคู่ 4 ของแอตทริบิวต์ (pl, pl), (pw, pl),(pw, pw), (pl, pw) สามารถเจริญเติบโตต้นที่สุด

ผลลัพธ์ (ไทย) 2:

เราใช้ข้อมูลที่ตั้งไอริสเป็นตัวอย่างสำหรับการแสดงการสร้างภาพของตัวจําแนกวง
รูป 5
แสดงสี่แต่ละตัวจําแนกที่มีข้อผิดพลาดในการฝึกอบรมต่ำกว่าที่กำหนดไว้ล่วงหน้าเกณฑ์
0.1 จากค่าแอตทริบิวต์ระดับบาร์ทำแผนที่
(โปรดดู [2]) ในรูป 6
มันเป็นเรื่องง่ายที่จะเห็นว่าเกี่ยวข้องมากที่สุดคุณลักษณะเป็นPW และพี (เช่น petalwidth และ petallength.)
ที่อธิบายว่าทำไมสี่คู่ของคุณลักษณะ (พี, พี), (PW, พี)
(PW, PW), ( พี, PW) สามารถเจริญเติบโตต้นที่ดีที่สุด