Naive-Bayes induction algorithms we

Naive-Bayes induction algorithms were previously shown to be surprisingly accurate on many classification 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 classifiers and NaiveBayes classifiers: the decision-tree nodes contain univariate splits as regular decision-trees, but the leaves contain Naive-Bayesian classifiers. The approach retains
the interpretability of Naive-Bayes and decision trees, while resulting in classifiers that frequently outperform both constituents, especially in the larger databases tested.

ผลลัพธ์ (ไทย) 1:

Naive Bayes เหนี่ยวนำอัลกอริทึมก่อนหน้านี้แสดงให้น่าแปลกใจที่ถูกต้องในงานประเภทต่าง ๆ แม้ฝ่าฝืนสมมติฐานเป็นอิสระแบบมีเงื่อนไขที่จะใช้ อย่างไรก็ตาม การศึกษาส่วนใหญ่ได้ทำในฐานข้อมูลขนาดเล็ก เราแสดงว่า ในฐานข้อมูลขนาดใหญ่ ความถูกต้องของ Naive Bayes ไม่ปรับและต้นไม้ตัดสินใจเราแล้วเสนอแบบใหม่อัลกอริทึม NBTree ซึ่งก่อให้เกิดการผสมของคำนามภาษาต้นไม้การตัดสินใจและคำนามภาษา NaiveBayes: โหนต้นไม้การตัดสินใจประกอบด้วยอย่างไร univariate แยกเป็นต้นไม้ตัดสินใจปกติ แต่ใบไม้ประกอบด้วยคำนามภาษา Naive ทฤษฎี วิธีการรักษาinterpretability ของ Naive Bayes และตัดสินใจ ในขณะทดสอบในคำนามภาษาที่มักจะ outperform constituents ทั้ง โดยเฉพาะอย่างยิ่งในฐานข้อมูลขนาดใหญ่

ผลลัพธ์ (ไทย) 2:

หน่อมแน้ม-Bayes เหนี่ยวนำอัลกอริทึมที่มีการแสดงก่อนหน้านี้มีความถูกต้องน่าแปลกใจเกี่ยวกับงานที่จัดหมวดหมู่หลายแม้ในขณะที่สมมติฐานอิสระเงื่อนไขที่พวกเขาจะขึ้นเป็นละเมิด อย่างไรก็ตามการศึกษาส่วนใหญ่ทำในฐานข้อมูลขนาดเล็ก เราแสดงให้เห็นว่าในบางฐานข้อมูลขนาดใหญ่, ความถูกต้องของหน่อมแน้ม-เบส์ไม่ได้ไต่ขึ้นเช่นเดียวกับต้นไม้ตัดสินใจ.
จากนั้นเราจะเสนอวิธีการใหม่ NBTree ซึ่งก่อให้เกิดการไฮบริดของลักษณนามตัดสินใจต้นไม้และ NaiveBayes ลักษณนาม: การตัดสินใจของต้นไม้ โหนดมีแยก univariate เป็นปกติตัดสินใจต้นไม้ แต่ใบมีจําแนกไร้เดียงสา-เบย์ วิธีการที่ยังคงรักษา
interpretability ไร้เดียงสาของ-Bayes ต้นไม้และการตัดสินใจในขณะที่ผลในการแยกประเภทที่มักจะมีประสิทธิภาพสูงกว่าองค์ประกอบทั้งสองโดยเฉพาะอย่างยิ่งในฐานข้อมูลขนาดใหญ่ที่ผ่านการทดสอบ

ผลลัพธ์ (ไทย) 3:

Naive Bayes เหนี่ยวนำขั้นตอนวิธีก่อนหน้านี้แสดงให้ถูกต้อง น่าแปลกที่ในงานประเภทมากมาย ยิ่งเป็นเงื่อนไขข้อที่พวกเขาจะขึ้นเป็นละเมิด อย่างไรก็ตาม การศึกษาส่วนใหญ่อยู่ในฐานข้อมูลขนาดเล็ก เราพบว่าในฐานข้อมูลมีขนาดใหญ่ ความไร้เดียงสา Bayes ไม่ได้ปรับขึ้น รวมทั้งต้นไม้ การตัดสินใจ เราก็เสนอวิธีใหม่
,nbtree ซึ่งก่อให้เกิดการผสมของคำลักษณนามและต้นไม้การตัดสินใจนา ฟ เบส์ : การตัดสินใจโหนดมีแยกเป็น 2 แขนงการตัดสินใจปกติ แต่ใบไร้เดียงสา Bayesian ลักษณนาม วิธีการรักษาการ
interpretability ของ Bayes ไร้เดียงสาและต้นไม้การตัดสินใจ ในขณะที่ผลในคำที่มักมีประสิทธิภาพสูงกว่าทั้งองค์ประกอบโดยเฉพาะอย่างยิ่งในขนาดใหญ่ฐานข้อมูลการทดสอบ