Naive-Bayes induction algorithms we

Naive-Bayes induction algorithms were previously
shown to be surprisingly accurate on many classi-
cation tasks even when the conditional independence
assumption on which they are based is violated. However,
most studies were done on small databases. We
show that in some larger databases, the accuracy of
Naive-Bayes does not scale up as well as decision trees.
We then propose a new algorithm, NBTree, which induces
a hybrid of decision-tree classiers and NaiveBayes
classiers: the decision-tree nodes contain univariate
splits as regular decision-trees, but the leaves
contain Naive-Bayesian classiers. The approach retains
the interpretability of Naive-Bayes and decision
trees, while resulting in classiers that frequently outperform
both constituents, especially in the larger
databases tested

ผลลัพธ์ (ไทย) 1:

Naive Bayes เหนี่ยวนำอัลกอริทึมก่อนหน้านี้แสดงเป็นที่น่าแปลกใจที่ถูกต้องบน classi มาก-cation งานแม้เป็นอิสระแบบมีเงื่อนไขมีละเมิดซึ่งจะอยู่อัสสัมชัญ อย่างไรก็ตามการศึกษาส่วนใหญ่ได้ทำในฐานข้อมูลขนาดเล็ก เราแสดงว่าในฐานข้อมูลขนาดใหญ่ ความถูกต้องของNaive Bayes ไม่ปรับและต้นไม้ตัดสินใจเราเสนอตัวใหม่อัลกอริทึม NBTree ซึ่งแท้จริงแล้วผสมของสกู๊ป classi ต้นไม้การตัดสินใจและ NaiveBayesสกู๊ป classi: โหนต้นไม้การตัดสินใจประกอบด้วยอย่างไร univariateแยกเป็นต้นไม้ตัดสินใจปกติ แต่ใบไม้ประกอบด้วยสกู๊ป classi Naive ทฤษฎี วิธีการรักษาinterpretability Naive Bayes และตัดสินใจต้นไม้ ในขณะที่ในสกู๊ป classi ที่มักจะมีประสิทธิภาพสูงกว่าconstituents ทั้ง โดยเฉพาะอย่างยิ่งในใหญ่ทดสอบฐานข้อมูล

ผลลัพธ์ (ไทย) 2:

หน่อมแน้ม-Bayes เหนี่ยวนำอัลกอริทึมถูกก่อนหน้านี้
แสดงให้เห็นว่ามีความถูกต้องน่าแปลกใจในการจัดประเภทจำนวนมาก -
งานไอออนบวกแม้ในขณะที่ความเป็นอิสระเงื่อนไข
สมมติฐานที่พวกเขาจะขึ้นเป็นละเมิด อย่างไรก็ตาม
การศึกษาส่วนใหญ่ได้ทำในฐานข้อมูลขนาดเล็ก เรา
แสดงให้เห็นว่าในบางฐานข้อมูลขนาดใหญ่, ความถูกต้องของ
Naive Bayes-ไม่ได้ไต่ขึ้นเช่นเดียวกับต้นไม้ตัดสินใจ.
จากนั้นเราจะเสนอวิธีการใหม่ NBTree ซึ่งก่อให้เกิดการ
ไฮบริดของ ERS จัดประเภทการตัดสินใจต้นไม้และ NaiveBayes
ERS จัดประเภท: การตัดสินใจ โหนด -tree มี univariate
แยกเป็นปกติตัดสินใจต้นไม้ แต่ใบ
มี ERS จัดประเภทไร้เดียงสา-เบย์ วิธีการที่ยังคง
ไร้เดียงสาของ interpretability-เบส์และการตัดสินใจ
ต้นไม้ในขณะที่ผลใน ERS จัดประเภทที่มักจะมีประสิทธิภาพสูงกว่า
องค์ประกอบทั้งสองโดยเฉพาะในที่มีขนาดใหญ่
ฐานข้อมูลการทดสอบ

ผลลัพธ์ (ไทย) 3:

Naive Bayes เหนี่ยวนำขั้นตอนวิธีก่อนหน้านี้
เป็นอย่างแปลกใจที่ถูกต้องหลาย classi  -
ในงาน แม้ว่าเงื่อนไขความเป็นอิสระ
สมมติฐานที่พวกเขาจะขึ้นเป็นละเมิด อย่างไรก็ตาม การศึกษาส่วนใหญ่จบ
บนฐานข้อมูลขนาดเล็ก เรา
แสดงว่าในฐานข้อมูลขนาดใหญ่ , ความถูกต้องของ
Naive Bayes ไม่ได้ปรับขึ้น รวมทั้งต้นไม้ การตัดสินใจ เราก็เสนอวิธีใหม่
,nbtree ซึ่ง induces
ลูกผสมของต้นไม้ตัดสินใจและ classi  ERS นา ฟ เบส์
classi  ERS : การตัดสินใจของโหนดมีประชากร
แยกต้นไม้การตัดสินใจปกติ แต่ใบ
ประกอบด้วยซื่อ classi เบ  ERS . วิธีการรักษาการ
interpretability ของ Bayes ไร้เดียงสาและต้นไม้การตัดสินใจ
, ในขณะที่ผลใน classi  ERS ที่มักดีกว่า
ทั้งองค์ประกอบ โดยเฉพาะอย่างยิ่งในขนาดใหญ่
ฐานข้อมูลการทดสอบ