Machine Learning AlgorithmsTwo mach

Machine Learning Algorithms
Two machine learning algorithms representing two
diverse approaches to learning were used in the
experiments|a probabilistic learner (naive Bayes) and
a decision tree learner (C4.5).
Naive Bayes employs a simpli¯ed version of Bayes
formula to classify each novel example. The posterior
probability of each possible class is calculated using conditional
probabilities for feature values and prior probabilities
of classes estimated from the training data; each
novel instance is assigned the class with the highest
posterior probability. Due to the assumption that feature
values are independent given the class, the naive
Baye's classi¯er's predictive performance can be adversely
a®ected by the presence of redundant features
in the training data.
C4.5 (Quinlan, 1993) is an algorithm that summarises
the training data in the form of a decision tree. Along
with systems that induce logical rules, decision tree algorithms
have proved popular in practice. This is due
in part to their robustness and execution speed, and to
the fact that explicit concept descriptions are produced,
which users can interpret.
C4.5 grows" decision trees recursively, using a
greedy approach to decide which attributes to test at
the nodes of the tree. An information theoretic measure
similar to symmetric uncertainty guides the process.
C4.5 can sometimes over¯t training data, resulting
in large trees. In many cases, feature selection can
result in C4.5 producing smaller trees.

ผลลัพธ์ (ไทย) 1:

เครื่องเรียนรู้อัลกอริทึมสองเครื่องเรียนรู้อัลกอริทึมแสดงสองใช้วิธีหลากหลายในการเรียนรู้ในการผู้เรียน probabilistic experiments|a (ขำน่า Bayes) และการตัดสินใจต้นผู้เรียน (C4.5)Naive Bayes ใช้ Bayes รุ่น simpli¯edสูตรในการจัดประเภทแต่ละตัวอย่างนวนิยาย หลังความน่าเป็นของแต่ละชั้นสามารถคำนวณโดยใช้เงื่อนไขกิจกรรมค่าคุณลักษณะและกิจกรรมก่อนของชั้นเรียนประเมินจากข้อมูลการฝึกอบรม แต่ละนวนิยายอย่างกำหนดให้ระดับสูงสุดความน่าเป็นหลัง จากสมมติฐานที่ค่าเป็นอิสระให้เรียน ขำน่าการมอบประสิทธิภาพของ Baye classi¯er สามารถจะกระทบเป็น ® ected โดยสถานะของลักษณะการทำงานซ้ำซ้อนในข้อมูลการฝึกอบรมC4.5 (Quinlan, 1993) เป็นขั้นตอนวิธีที่ summarisesข้อมูลการฝึกอบรมในรูปแบบของต้นไม้ตัดสินใจ ตามด้วยระบบที่ก่อให้เกิดกฎทางตรรกะ อัลกอริทึมต้นไม้ตัดสินใจได้พิสูจน์ความนิยมในทางปฏิบัติ ซึ่งจะครบกำหนดในส่วนของความเร็วเสถียรภาพและการดำเนินการ และการความจริงที่ว่า มีผลิตคำอธิบายแนวคิดที่ชัดเจนผู้ใช้สามารถแปลRecursively ต้นไม้ตัดสินใจ C4.5 grows" ใช้เป็นวิธีตะกละตัดสินคุณลักษณะการทดสอบที่โหนดของต้นไม้ การวัด theoretic ข้อมูลความไม่แน่นอนคล้ายกับสมมาตรแนะนำกระบวนการC4.5 ได้ในบางครั้งข้อมูลการฝึกอบรม over¯t การเกิดในต้นไม้ใหญ่ ในหลายกรณี สามารถเลือกคุณลักษณะผลผลิตต้นไม้เล็ก C4.5

ผลลัพธ์ (ไทย) 2:

เครื่องเรียนรู้ขั้นตอนวิธี
สองขั้นตอนวิธีการเรียนรู้ที่เป็นตัวแทนของสอง
วิธีการที่หลากหลายเพื่อการเรียนรู้ที่ใช้ใน
การทดลอง | เรียนความน่าจะเป็น (ไร้เดียงสา Bayes) และ
เรียนรู้ต้นไม้ตัดสินใจ (C4.5)
หน่อมแน้มเบส์มีพนักงานรุ่นsimpli¯edของเบส์
สูตรการจำแนก แต่ละตัวอย่างเช่นนวนิยาย หลัง
น่าจะเป็นของชั้นเป็นไปได้ที่แต่ละคนจะคำนวณโดยใช้เงื่อนไข
ความน่าจะเป็นสำหรับค่าคุณลักษณะและความน่าจะเป็นก่อน
การเรียนประมาณจากข้อมูลการฝึกอบรม; แต่ละ
เช่นนวนิยายที่ได้รับมอบหมายในชั้นเรียนที่มีมากที่สุด
น่าจะเป็นหลัง เนื่องจากสันนิษฐานว่ามี
ค่ามีความเป็นอิสระให้ชั้นไร้เดียงสา
ประสิทธิภาพตามที่คาด classier ของ Baye สามารถส่ง
a®ectedจากการปรากฏตัวของคุณสมบัติที่ซ้ำซ้อน
ในการข้อมูลการฝึกอบรม
C4.5 (ควินแลน, 1993) เป็นอัลกอริทึมที่ สรุป
ข้อมูลการฝึกอบรมในรูปแบบของต้นไม้ตัดสินใจ พร้อม
กับระบบที่ทำให้เกิดกฎตรรกะขั้นตอนวิธีต้นไม้ตัดสินใจ
ได้พิสูจน์ความนิยมในการปฏิบัติ เพราะนี่คือ
ในส่วนของความทนทานและการดำเนินการความเร็วของพวกเขาและ
ความจริงที่ว่าคำอธิบายแนวความคิดอย่างชัดเจนมีการผลิต
ที่ผู้ใช้สามารถตีความ
C4.5 เติบโต "ต้นไม้ตัดสินใจซ้ำโดยใช้
วิธีการโลภที่จะตัดสินใจว่าคุณสมบัติในการทดสอบที่
โหนดของต้นไม้. ข้อมูลตัวชี้วัดตามทฤษฎี
คล้ายกับความไม่แน่นอนสมมาตรแนะนำกระบวนการ
C4.5 บางครั้งสามารถเปิดเผยข้อมูลการฝึกอบรมมีผล
ในต้นไม้ใหญ่. ในหลายกรณีการเลือกคุณลักษณะสามารถ
ส่งผลให้เกิดการผลิต C4.5 ต้นไม้ขนาดเล็ก

ผลลัพธ์ (ไทย) 3:

เครื่องจักรเครื่องจักรการเรียนรู้ขั้นตอนวิธีอัลกอริทึมการเรียนรู้แทน

สองสองแนวทางที่หลากหลายเพื่อการเรียนรู้ กลุ่มตัวอย่างที่ใช้ในการทดลอง | Probabilistic เรียน

( Naive Bayes ) และโครงสร้างการตัดสินใจเรียน ( โปรแกรม C4.5 ) .
Naive Bayes ใช้ Simpli Bayes
¯เอ็ดรุ่นสูตรแบ่งนวนิยายแต่ละตัวอย่าง ความน่าจะเป็นของแต่ละชั้นคือเป็นไปได้

คำนวณโดยใช้เงื่อนไขความน่าจะเป็นความน่าจะเป็นและค่าคุณลักษณะก่อน
เรียนประมาณจากข้อมูลการฝึกอบรม เช่น กำหนดให้แต่ละ
นวนิยายคลาสที่มีสูงสุด
ด้านหลังน่าจะเป็น จากข้อสมมติว่าคุณลักษณะ
ค่าเป็นอิสระให้เรียนได้ ใสซื่อ
baye ของ¯เอ้อ classi ทำนายประสิทธิภาพสามารถส่งผลการประมวล®โดยการแสดงตนของ
คุณลักษณะซ้ำซ้อนในการฝึกอบรมข้อมูล
ระเบิด C45 ( ควินแลน , 1993 ) เป็นขั้นตอนวิธีที่ summarises
ข้อมูลการฝึกอบรมในรูปแบบของการตัดสินใจของต้นไม้ ตามระบบที่ทำให้เกิดกฎ
กับตรรกะขั้นตอนวิธีต้นไม้ตัดสินใจ
ได้พิสูจน์ความนิยมในการปฏิบัติ นี้คือเนื่องจากในส่วนของความ


ตามความเร็ว และข้อเท็จจริงที่ชัดเจนอธิบายแนวคิดที่ผลิต

โปรแกรม C4.5 ซึ่งผู้ใช้สามารถตีความได้ ว่า " ต้นไม้ recursively การตัดสินใจ , เติบโตโดยใช้วิธีการ
โลภที่จะตัดสินใจ ซึ่งคุณลักษณะการทดสอบที่
โหนดของต้นไม้ ข้อมูลเกี่ยวกับทฤษฎีวัด
คล้ายกับความไม่แน่นอนสมมาตรคู่มือกระบวนการ .
โปรแกรม C4.5 บางครั้งมากกว่าข้อมูลการฝึกอบรม T
¯ ส่งผลให้ต้นไม้ขนาดใหญ่ ในหลายกรณี การเลือกคุณลักษณะสามารถ
ผลในโปรแกรม C4.5 การผลิตต้นไม้ขนาดเล็ก