In the context of classification pr

In the context of classification problems, algorithms that generate multivariate trees are able to explore multiple representation languages by using decision tests based on a combination of attributes. In the regression setting, model trees algorithms explore multiple representation languages but using linear models at leaf nodes. In this work we study the effects of using combinations of attributes at decision nodes, leaf nodes, or both nodes and leaves in regression and classification tree learning. In order to study the use of functional nodes at different places and for different types of modeling, we introduce a simple unifying framework for multivariate tree learning. This framework combines a univariate decision tree with a linear function by means of constructive induction. Decision trees derived from the framework are able to use decision nodes with multivariate tests, and leaf nodes that make predictions using linear functions. Multivariate decision nodes are built when growing the tree, while functional leaves are built when pruning the tree. We experimentally evaluate a univariate tree, a multivariate tree using linear combinations at inner and leaf nodes, and two simplified versions restricting linear combinations to inner nodes and leaves. The experimental evaluation shows that all functional trees variants exhibit similar performance, with advantages in different datasets. In this study there is a marginal advantage of the full model. These results lead us to study the role of functional leaves and nodes. We use the bias-variance decomposition of the error, cluster analysis, and learning curves as tools for analysis. We observe that in the datasets under study and for classification and regression, the use of multivariate decision nodes has more impact in the bias component of the error, while the use of multivariate decision leaves has more impact in the variance component.

ผลลัพธ์ (ไทย) 1:

ในบริบทของปัญหาการจัดหมวดหมู่ขั้นตอนวิธีที่สร้างต้นไม้หลายตัวแปรจะสามารถที่จะสำรวจการแสดงหลายภาษาโดยใช้การทดสอบการตัดสินใจขึ้นอยู่กับการรวมกันของคุณลักษณะ ในการตั้งค่าการถดถอยขั้นตอนวิธีต้นไม้แบบสำรวจแสดงหลายภาษา แต่ใช้รูปแบบเชิงเส้นที่โหนดใบในงานนี้เราศึกษาผลกระทบของการใช้ชุดของคุณลักษณะที่โหนดตัดสินใจโหนดใบหรือทั้งสองโหนดและใบในการถดถอยและการจัดหมวดหมู่การเรียนรู้ต้นไม้ เพื่อศึกษาการใช้งานของโหนดการทำงานในสถานที่ที่แตกต่างกันและชนิดที่แตกต่างกันของการสร้างแบบจำลองเราแนะนำกรอบรวม​​ที่ง่ายสำหรับการเรียนรู้ต้นไม้หลายตัวแปรกรอบนี้รวมต้นไม้ตัดสินใจ univariate ด้วยฟังก์ชั่นเชิงเส้นโดยวิธีการเหนี่ยวนำที่สร้างสรรค์ ต้นไม้ตัดสินใจมาจากกรอบจะสามารถใช้โหนดการตัดสินใจกับการทดสอบหลายตัวแปรและโหนดใบที่ทำให้การคาดการณ์โดยใช้ฟังก์ชั่นเชิงเส้น โหนดตัดสินใจหลายตัวแปรที่สร้างขึ้นเมื่อต้นเจริญเติบโตในขณะที่ใบทำงานถูกสร้างขึ้นเมื่อการตัดแต่งกิ่งต้นไม้เราทดลองประเมินต้นไม้ univariate, ต้นไม้หลายตัวแปรเชิงเส้นใช้ชุดที่โหนดภายในและใบและสองรุ่นง่าย จำกัด การผสมเชิงเส้นกับโหนดภายในและใบ การประเมินผลการทดลองแสดงให้เห็นว่าต้นไม้ทำงานทุกสายพันธุ์มีประสิทธิภาพการทำงานที่คล้ายกันมีข้อได้เปรียบในชุดข้อมูลที่แตกต่างกันในการศึกษานี้มีข้อได้เปรียบที่ขอบของแบบเต็มรูปแบบ ผลลัพธ์เหล่านี้นำเราไปสู่​​การศึกษาบทบาทของการทำงานและใบโหนด เราจะใช้การสลายอคติความแปรปรวนของความผิดพลาดในการวิเคราะห์กลุ่มและเส้นโค้งการเรียนรู้เป็นเครื่องมือสำหรับการวิเคราะห์ เราสังเกตว่าในชุดข้อมูลภายใต้การศึกษาและการจัดหมวดหมู่และการถดถอยการใช้งานของโหนดการตัดสินใจหลายตัวแปรมีผลกระทบมากขึ้นในองค์ประกอบอคติของข้อผิดพลาดในขณะที่การใช้งานของใบการตัดสินใจหลายตัวแปรมีผลกระทบมากขึ้นในองค์ประกอบความแปรปรวน

ผลลัพธ์ (ไทย) 2:

อัลกอริทึมที่สร้างตัวแปรพหุต้นไม้จะไม่สามารถสำรวจหลายแสดงภาษาโดยทดสอบการตัดสินใจในแอตทริบิวต์ในบริบทของปัญหาประเภท การถดถอย รูปต้นไม้อัลกอริทึมได้แสดงหลายภาษา แต่ใช้รูปแบบเชิงเส้นที่โหนโหนดปลายสุด ในงานนี้ เราได้ศึกษาผลการใช้ชุดของคุณลักษณะที่ตัดสินโหน ใบโหน หรือโหนและใบไม้ในการถดถอยและการจัดประเภทแผนภูมิการเรียนรู้ เพื่อศึกษาการใช้โหนดที่ทำงาน ในสถานแตกต่างกัน และแตกต่างของโมเดล เราแนะนำกรอบรวมกันแบบง่ายสำหรับการเรียนรู้ต้นไม้ตัวแปรพหุ กรอบนี้รวมต้นไม้การตัดสินใจอย่างไร univariate ด้วยฟังก์ชันเชิงเส้น โดยการเหนี่ยวนำสร้างสรรค์ ต้นไม้ตัดสินใจมาจากกรอบจะใช้โหนตัดสิน ด้วยการทดสอบตัวแปรพหุ และโหนโหนดปลายสุดที่คาดคะเนโดยใช้ฟังก์ชันเชิงเส้น ตัดสินใจตัวแปรพหุโหนอยู่เมื่อเจริญเติบโตต้น ในขณะที่ใบหน้าที่ถูกสร้างขึ้นเมื่อต้น pruning เราประเมินอย่างไร univariate ต้นไม้ ต้นไม้ตัวแปรพหุโดยใช้ชุดข้อมูลเชิงเส้นที่ภายในและใบโหน experimentally และสองภาษารุ่นจำกัดเชิงเส้นชุดภายในโหนและใบไม้ ประเมินผลการทดลองแสดงว่า ตัวแปรต้นทำงานทั้งหมดแสดงประสิทธิภาพคล้ายกัน มีข้อดีใน datasets ที่แตกต่างกัน ในการศึกษานี้ มีประโยชน์กำไรรุ่นเต็ม ผลลัพธ์เหล่านี้นำเราเพื่อศึกษาบทบาทของใบหน้าที่และโหน เราใช้การเน่าผลต่างความโน้มเอียงของข้อผิดพลาด แบ่ง และเส้นโค้งการเรียนรู้เป็นเครื่องมือสำหรับการวิเคราะห์ เราสังเกตพบว่า ใน datasets ภาย ใต้การศึกษา และ การจัดประเภทและถดถอย ใช้ของโหนดที่ตัวแปรพหุการตัดสินใจมีผลกระทบเพิ่มเติมในข้อผิดพลาดด้านทแยง ขณะออกจากการใช้ตัวแปรพหุการตัดสินใจมีผลกระทบเพิ่มเติมในส่วนประกอบต่าง

ผลลัพธ์ (ไทย) 3:

ในบริบทของปัญหาการแบ่ง ประเภท อัลกอริธึมที่สร้างต้นไม้ multivariate มีความสามารถในการสำรวจ ภาษา การแสดงหลายชุดโดยใช้การทดสอบการตัดสินใจที่ใช้การผสมผสานของแอตทริบิวต์ ในการตั้งค่าสหสัมพันธ์เชิงเส้นที่ต้นไม้รุ่นอัลกอริธึมสำรวจ ภาษา การแสดงหลายรุ่นแต่การใช้แนวยาวที่โหนดใบในงานนี้เราศึกษาผลกระทบของการใช้การรวมตัวกันของแอตทริบิวต์ที่โหนดการตัดสินใจโหนดใบหรือใบและโหนดทั้งในการเรียนรู้และการแบ่ง ประเภท ทรี( Log ในการสั่งซื้อเพื่อการศึกษาการใช้โหนดเต็มไปด้วยประโยชน์ใช้สอยที่แตกต่างกันและสำหรับ ประเภท ที่แตกต่างกันไปเราจะแนะนำการสร้างแบบจำลองของโครงงานแบบเรียบง่ายที่ช่วยสร้างความเป็นอันหนึ่งอันเดียวกันในการเรียนรู้ต้นไม้ multivariateโครงงานนี้ประกอบด้วยทรีการตัดสินใจ univariate ที่พร้อมด้วยฟังก์ชันตามแนวยาวโดยใช้เตาแม่เหล็กไฟฟ้าสร้างสรรค์ ต้นการตัดสินใจที่มาจากโครงสร้างที่มีความสามารถในการใช้โหนดการตัดสินใจด้วยโหนดใบและการทดสอบ multivariate ที่ทำให้การทำนายโดยใช้การทำงานแบบ linear โหนดการตัดสินใจ multivariate ได้ถูกสร้างขึ้นมาเมื่อเติบโตขึ้นต้นไม้ที่เต็มไปด้วยประโยชน์ใช้สอยในขณะที่ใบที่สร้างขึ้นเมื่อการตัดแต่งการถอนต้นเราทดลองประเมินทรี univariate ต้นไม้ multivariate โดยใช้การรวมตัวกันตามแนวยาวที่โหนดด้านในและใบและทั้งสองรุ่นอย่างง่ายดายการจำกัดการใช้ร่วมกันตามแนวยาวในการใบและโหนดด้านใน การประเมินผลการทดลองที่จะแสดงให้เห็นว่าต้นเต็มไปด้วยประโยชน์ใช้สอยทั้งหมดจัดแสดงนิทรรศการเกี่ยวกับบริษัท ประสิทธิภาพ ที่ใกล้เคียงกันด้วยความได้เปรียบใน datasets แตกต่างกันในการศึกษาวิจัยนี้มีประโยชน์จากเศษของเต็มของรุ่นนี้ ผลการทดสอบนี้นำพาเราไปสู่การศึกษาบทบาทหน้าที่ของโหนดและใบเต็มไปด้วยประโยชน์ใช้สอย เราใช้โครงข่ายของข้อมูลการทำงาน - ความแตกต่างที่เกิดข้อผิดพลาดของการวิเคราะห์และกลุ่มการเรียนรู้ความโค้งมนเป็นเครื่องมือสำหรับการวิเคราะห์ เราสังเกตว่าใน datasets ภายใต้ การศึกษาและสหสัมพันธ์เชิงเส้นและการจัด ประเภทใช้โหนดการตัดสินใจ multivariate มีผลกระทบมากขึ้นในการทำงานของคอมโพเนนต์เกิดข้อผิดพลาดในขณะที่การใช้ใบการตัดสินใจ multivariate มีผลกระทบมากขึ้นในส่วนประกอบที่ไม่เหมือนกัน