Several well-developed approaches t

Several well-developed approaches to inductive learning now exist, but each has specific limitations
that are hard to overcome. Multi-strategy learning attempts to tackle this problem by combining multiple methods
in one algorithm. This article describes a unification of two widely-used empirical approaches: rule induction and
instance-based learning. In the new algorithm, instances are treated as maximally specific rules, and classification is
performed using a best-match strategy. Rules are learned by gradually generalizing instances until no improvement
in apparent accuracy is obtained. Theoretical analysis shows this approach to be efficient. It is implemented in
the RISE 3.1 system. In an extensive empirical study, RISE consistently achieves higher accuracies than state-ofthe-art
representatives of both its parent approaches (PEBLS and CN2), as well as a decision tree learner (C4.5).
Lesion studies show that each of RISE’s components is essential to this performance. Most significantly, in 14
of the 30 domains studied, RISE is more accurate than the best of PE

ผลลัพธ์ (ไทย) 1:

มีอยู่หลายแห่งแก้ปัญหาในการเรียนรู้เชิงอุปนัยตอนนี้ แต่มีข้อจำกัดเฉพาะที่ยากที่จะเอาชนะ เรียนรู้กลยุทธ์หลายพยายามเล่นงานปัญหานี้ โดยการรวมหลายวิธีในอัลกอริทึมหนึ่ง บทความนี้อธิบายการรวมกันของสองแนวประจักษ์ใช้กันอย่างแพร่หลาย: กฎการเหนี่ยวนำ และการเรียนรู้ตามตัวอย่าง ในขั้นตอนวิธีการใหม่ กรณีจะถือว่าเป็นกฎเฉพาะ maximally และการจัดประเภทเป็นดำเนินการโดยใช้กลยุทธ์ส่วนตรง มีการเรียนรู้กฎ โดยค่อย ๆ generalizing กรณีจนไม่พัฒนาในความถูกต้องชัดเจนได้รับการ ทฤษฎีวิเคราะห์แสดงวิธีการนี้ให้มีประสิทธิภาพ นำมาใช้ในระบบเพิ่มขึ้น 3.1 ในการศึกษาประจักษ์อย่างกว้างขวาง เพิ่มขึ้นอย่างสม่ำเสมอได้รับ accuracies สูงกว่าสถานะของสมัยตัวแทนของทั้งหลักการแนวทาง (PEBLS และ CN2), ตลอดจนผู้เรียนต้นไม้ตัดสินใจ (C4.5)การศึกษารอยโรคแสดงว่า แต่ละคอมโพเนนต์ของขึ้นเป็นสิ่งสำคัญเพื่อประสิทธิภาพการทำงานนี้ สุดมาก ใน 14โดเมนที่ 30 ศึกษา เพิ่มขึ้นจะถูกต้องมากกว่าส่วนของ PE

ผลลัพธ์ (ไทย) 2:

หลายวิธีทั้งการพัฒนาเพื่อการเรียนรู้อุปนัยตอนนี้มีอยู่ แต่ในแต่ละมีข้อ จำกัด
เฉพาะที่ยากที่จะเอาชนะ
การเรียนรู้หลายกลยุทธ์การพยายามที่จะจัดการกับปัญหานี้โดยการรวมหลายวิธีในขั้นตอนวิธี บทความนี้จะอธิบายถึงการรวมกันของทั้งสองใช้กันอย่างแพร่หลายวิธีเชิงประจักษ์:
การเหนี่ยวนำการปกครองและการเรียนรู้เช่นตาม
ในขั้นตอนวิธีการใหม่กรณีจะถือว่าเป็นกฎที่เฉพาะเจาะจงที่สุดและการจัดหมวดหมู่เป็นที่ดำเนินการโดยใช้กลยุทธ์ที่ดีที่สุดการแข่งขัน กฎจะเรียนรู้จากกรณีค่อยๆ generalizing
จนกว่าจะไม่มีการปรับปรุงในความถูกต้องชัดเจนจะได้รับ ทฤษฎีการวิเคราะห์แสดงให้เห็นว่าวิธีการนี้จะมีประสิทธิภาพ มันถูกนำมาใช้ในการเพิ่มขึ้น 3.1 ระบบ
ในการศึกษาเชิงประจักษ์อย่างกว้างขวาง RISE ประสบความสำเร็จอย่างต่อเนื่องความถูกต้องสูงกว่ารัฐ ofthe
ศิลปะตัวแทนของทั้งสองแนวทางแม่(PEBLS และ CN2) เช่นเดียวกับการเรียนการตัดสินใจต้นไม้ (C4.5).
การศึกษาแสดงให้เห็นว่าแผลแต่ละองค์ประกอบของ RISE เป็นสิ่งจำเป็นเพื่อการแสดงครั้งนี้ สำคัญที่สุดในรอบ 14
วันที่ 30 โดเมนศึกษา RISE ถูกต้องมากขึ้นกว่าที่ดีที่สุดของ PE

ผลลัพธ์ (ไทย) 3:

หลายวิธีการเรียนแบบเต่งอยู่ในขณะนี้ แต่แต่ละคนมีเฉพาะข้อจำกัด
ที่ยากที่จะเอาชนะ กลยุทธ์การเรียนรู้หลายพยายามที่จะจัดการปัญหานี้ โดยการรวมหลายวิธี
ในขั้นตอนวิธีการ บทความนี้อธิบายการรวมสองวิธี : กฎการใช้ข้อมูลเชิงประจักษ์และ
ตัวอย่างการเรียนรู้ตาม ในขั้นตอนวิธีการใหม่กรณีจะถือว่าเป็นที่สุดที่กฎที่เฉพาะเจาะจง และถูกจัดเป็นคู่ที่ดีที่สุด
โดยใช้กลยุทธ์ กฎจะเรียนรู้ โดยค่อยๆ Generalizing อินสแตนซ์จนไม่มีการปรับปรุง
ในความถูกต้องชัดเจนจะได้รับ การวิเคราะห์ทางทฤษฎีแสดงให้เห็นว่าวิธีการนี้ให้มีประสิทธิภาพ มีการใช้งานในระบบเพิ่มขึ้น 3.1
. ในการศึกษาเชิงประจักษ์อย่างกว้างขวางเพิ่มขึ้นอย่างต่อเนื่องที่มีความถูกต้องสูงกว่ารัฐของศิลปะ
ผู้แทนผู้ปกครองวิธีการของมัน ( pebls และ cn2 ) เช่นเดียวกับโครงสร้างการตัดสินใจเรียน ( โปรแกรม C4.5 ) .
ของการศึกษาแสดงให้เห็นว่าแต่ละส่วนประกอบเพิ่มขึ้นเป็นสิ่งจำเป็นเพื่องานนี้ มากที่สุดใน 14
ของ 30 โดเมนศึกษาขึ้นถูกต้องกว่าที่ดีที่สุดของ PE