CDW weights locally by class level

CDW weights locally by class level groupings. Thus it should perform well in
domains with homogeneous classes that are distinguished by dierent features
particular to each class. The same approach can be applied to compute weights
for groups more nely or coarsely grained than individual classes. For example,
if a particular class was dened by the disjunction of two distinct subconcepts,
then one might wish to compute dierent weights for the two sets of instances
belonging to each subconcept. Unfortunately, subclass groupings are generally
not known a priori, and computing appropriate groupings is not a straightfor- ward problem. Because of these diculties, we have not pursued this particular
approach further. Instead, we examined three variants of the CDW algorithm:
one that eliminates locality by using global weights derived from the local CDW
weights, another that uses ner-grained locality by associating dierent weights
with each individual feature value, and a third that is a straightforward combination
of the rst two

ผลลัพธ์ (ไทย) 2:

น้ำหนัก CDW โดยเฉพาะกลุ่มระดับชั้น ดังนั้นจึงควรจะทำงานได้ดีในโดเมนที่มีชั้นเรียนที่เป็นเนื้อเดียวกันที่มีความโดดเด่นด้วยดิ? คุณสมบัติที่ต่างกันโดยเฉพาะแต่ละชั้นเรียน วิธีการเดียวกันสามารถนำมาใช้ในการคำนวณน้ำหนักสำหรับกลุ่มมากขึ้น Nely หรือหยาบเม็ดเล็กกว่าแต่ละชั้นเรียน ตัวอย่างเช่นถ้าระดับโดยเฉพาะอย่างยิ่งเป็นคน ned โดยร้าวฉานของทั้งสอง subconcepts ที่แตกต่างกัน, หนึ่งอาจต้องการที่จะคำนวณดิ? น้ำหนักต่างกันสำหรับสองชุดของกรณีที่เป็นsubconcept แต่ละ แต่น่าเสียดายที่การจัดกลุ่มประเภทรองมักจะไม่เป็นที่รู้จักเบื้องต้นและการคำนวณการจัดกลุ่มที่เหมาะสมไม่ได้เป็นปัญหาวอร์ด straightfor- เพราะดิเหล่านี้หรือไม่ culties เรายังไม่ได้ดำเนินการนี้โดยเฉพาะวิธีการต่อไป แต่เราตรวจสอบสามสายพันธุ์ของขั้นตอนวิธี CDW: หนึ่งที่จะช่วยลดท้องที่โดยใช้น้ำหนักทั่วโลกที่ได้รับจาก CDW ท้องถิ่น? น้ำหนักอื่นที่ใช้ท้องที่เนอร์เนื้อโดยการเชื่อมโยง di น้ำหนักต่างกันมีค่าคุณลักษณะของแต่ละคนและคนที่สามที่เป็นการรวมกันตรงไปตรงมาของแรกสอง

ผลลัพธ์ (ไทย) 3:

CDW น้ำหนักท้องถิ่นโดยการจัดกลุ่มระดับคลาส ดังนั้นจึงควรดำเนินการในชั้นเรียนเป็นเนื้อเดียวกัน
โดเมนที่โดดเด่น ด้วย ดิ  erent คุณสมบัติ
เฉพาะในแต่ละคลาส วิธีการเดียวกันนี้สามารถใช้ในการคำนวณน้ำหนัก
สำหรับกลุ่ม nely เพิ่มเติม  หรือเม็ดหยาบกว่า รายบุคคล ตัวอย่างเช่น
ถ้าชั้นโดยเฉพาะคือ เดอ  เน็ดโดยประพจน์เลือกของทั้งสองที่แตกต่างกัน subconcepts
,จากนั้นหนึ่งอาจต้องการคำนวณ ดิ  erent น้ำหนักสองชุดของอินสแตนซ์ของแต่ละ subconcept
. แต่น่าเสียดายที่ subclass การจัดกลุ่มโดยทั่วไป
ไม่รู้จัก a priori , คอมพิวเตอร์และกลุ่มที่เหมาะสมไม่ได้เป็นปัญหา straightfor - วอร์ด เพราะของเหล่านี้ ดิ  culties เราไม่ได้ไล่ตามแนวทางนี้โดยเฉพาะ
เพิ่มเติม แทน , เราตรวจสอบสามตัวแปรของ CDW อัลกอริทึม :
หนึ่งที่ช่วยขจัดท้องถิ่นโดยใช้ทั่วโลกน้ำหนักมาจากน้ำหนัก CDW
ท้องถิ่นอื่นที่ใช้  เนอร์ท้องถิ่นด้วยดิ  erent เม็ดเล็กมีน้ำหนัก
กับแต่ละคุณลักษณะ คุณค่า และที่สามเป็น
ตรงไปตรงมาของ  RST สองรวมกัน