Classification is one of the most p

Classification is one of the most popular tasks in data
mining. Classification involves the assignment of an object
to one of several prespecified categories. Classification
of data without any interpretation of the underlying model
could reduce the trust of users in the system. Visualization
can help users visually understand the discovered knowledge
[6, 2] as well as help interactively build a better classi-
fication model in terms of simplicity and accuracy [2, 17].
Previous work on classification visualization mainly
concerns on how to visualize classification models and
how to integrate users into the construction of the models.
Work on model visualization includes visualizing decision
tree [1, 2, 4, 3, 16, 15], decision table [21, 5], decision
rules [17], and naive Baysian classifier [6]. Two novel approaches
of interactively constructing models are Ankerst’s
PBC (Perception-Based Classification) [2] and Inselberg’s
method using parallel coordinates [17]. For an overview,
please see Keim and Ankerst’s recent tutorial on visual data
mining [19].
This paper approaches the classification visualization
from the viewpoint that classificationand clustering (Arti-
ficial Intelligence community use the termssupervised and
unsupervised learning) are unified [22, 18, 8]1
. The wide

ผลลัพธ์ (ไทย) 2:

การจัดหมวดหมู่เป็นหนึ่งในงานที่ได้รับความนิยมมากที่สุดในข้อมูลการทำเหมืองแร่
การจัดหมวดหมู่ที่เกี่ยวข้องกับการกำหนดของวัตถุให้เป็นหนึ่งในหลายประเภท prespecified
การจำแนกประเภทของข้อมูลโดยไม่ต้องแปลความหมายของรูปแบบพื้นฐานใด ๆ ที่สามารถลดความไว้วางใจจากผู้ใช้ในระบบ การแสดงจะช่วยให้ผู้ใช้มองเห็นเข้าใจความรู้ที่ค้นพบ[6, 2] รวมทั้งช่วยให้การโต้ตอบสร้าง classi- ดีกว่ารูปแบบการตรวจในแง่ของความเรียบง่ายและความถูกต้อง[2, 17]. การทำงานก่อนหน้าในการจัดหมวดหมู่การแสดงส่วนใหญ่กังวลเกี่ยวกับวิธีที่จะเห็นภาพการจัดหมวดหมู่รูปแบบและวิธีการที่จะบูรณาการผู้ใช้ในการก่อสร้างของรูปแบบที่. ทำงานในการแสดงรูปแบบรวมถึงการแสดงการตัดสินใจต้นไม้ [1, 2, 4, 3, 16, 15] ตารางการตัดสินใจ [21 5] การตัดสินใจกฎ[17] และ ไร้เดียงสาลักษณนาม Baysian [6] สองวิธีนวนิยายของการโต้ตอบสร้างรุ่น Ankerst ของ PBC (การจำแนกประเภทตามการรับรู้) [2] และ Inselberg ของวิธีการใช้พิกัดขนาน[17] สำหรับภาพรวม, โปรดดู Keim และกวดวิชาล่าสุด Ankerst ในข้อมูลภาพการทำเหมืองแร่[19]. กระดาษนี้วิธีการสร้างภาพการจัดหมวดหมู่จากมุมมองที่ classificationand การจัดกลุ่ม (Arti- ficial ชุมชนข่าวกรองใช้ termssupervised และการเรียนรู้ใกล้ชิด) เป็นปึกแผ่น [22, 18 8] 1 กว้าง

ผลลัพธ์ (ไทย) 3:

จัดเป็นหนึ่งในงานที่ได้รับความนิยมมากที่สุดในการทำเหมืองข้อมูล

หมวดหมู่ที่เกี่ยวข้องกับการกำหนดของวัตถุ
หนึ่งประเภทจรหลาย การจำแนกข้อมูลโดยการตีความใด ๆ

ของต้นแบบรุ่นสามารถลดความน่าเชื่อถือของผู้ใช้ในระบบ การแสดง
ช่วยให้ผู้ใช้สามารถมองเห็นเข้าใจค้นพบความรู้
[ 6จัดเป็นหนึ่งในงานที่ได้รับความนิยมมากที่สุดในการทำเหมืองข้อมูล

หมวดหมู่ที่เกี่ยวข้องกับการกำหนดของวัตถุ
หนึ่งประเภทจรหลาย การจำแนกข้อมูลโดยการตีความใด ๆ

ของต้นแบบรุ่นสามารถลดความน่าเชื่อถือของผู้ใช้ในระบบ การแสดง
ช่วยให้ผู้ใช้สามารถมองเห็นเข้าใจค้นพบความรู้
[ 62 ] ตลอดจนช่วยโต้ตอบสร้างดี classi -
fication รูปแบบในแง่ของความเรียบง่ายและความถูกต้อง [ 2 , 17 ] .
ผลงานที่ผ่านมาในการแสดงหมวดหมู่ส่วนใหญ่
ความกังวลเกี่ยวกับวิธีการจำแนกภาพนางแบบ
วิธีการรวมผู้ใช้ในการสร้างโมเดล ทำงานในรูปแบบการสร้างภาพ

รวมถึงการตัดสินใจ ต้นไม้ [ 1 , 2 , 4 , 3 , 16 , 15 , 21 ตารางการตัดสินใจ [ 5 ]กฎการตัดสินใจ
[ 17 ] และไร้เดียงสา baysian ลักษณนาม [ 6 ] สองนวนิยายแนว
ของการโต้ตอบสร้างโมเดลของ ankerst
PBC ( การรับรู้การ ) [ 2 ] และวิธีการของ inselberg
ใช้คู่ขนานพิกัด [ 17 ] สำหรับภาพรวม
โปรดดูอัญมณี ankerst ล่าสุดและสอนทัศนศิลป์ข้อมูล
เหมืองแร่ [ 19 ] .
กระดาษนี้วิธีการจำแนกภาพ
จากมุมมองที่และการหาการจัดกลุ่ม ( Arti -
ficial ชุมชนข่าวกรองใช้ termssupervised
unsupervised และการเรียนรู้ ) เป็นปึกแผ่น [ 22 , 18 , 8 ] 1

กว้าง