As evident, the performance of simp

As evident, the performance of simple grid and mean and standard deviation is comparable. But the performance of histogram and modified grid approaches is not good enough with the other approaches. This is because in the histogram approach a single fuzzy rule is not enough for each class and the classification of some patterns was rejected and in the case of the modified grid approach the number of fuzzy if-then rules is increased exponentially with the dimensionality of pattern space. Simple grid approach gave the overall best results with a classification accuracy of 99.73%. Rule generation using mean and standard deviation is easy to implement as it depends only on the mean and standard deviation of the attribute values.
The modified grid approach did not produce the desired accuracy. Moreover, in the grid-based approach, the number of fuzzy if-then rules exponentially increased with the dimensionality of the pattern space. Thus, a large number of fuzzy if-then rules are usually generated for real-world pattern classification problems. This leads to several drawbacks: over-fitting training patterns, large memory storage requirement, and slow inference speed. On the contrary, the numbers of fuzzy if-then rules in the first two approaches are the same as the number of classes.

ผลลัพธ์ (ไทย) 1:

ชัด ประสิทธิภาพเรื่องตารางค่าเฉลี่ย และส่วนเบี่ยงเบนมาตรฐานเป็นเทียบเคียง แต่ประสิทธิภาพของฮิสโตแกรมและวิธีแก้ไขตารางไม่ดีพอ ด้วยวิธีอื่น ๆ ทั้งนี้เนื่องจากวิธีการฮิสโตแกรมกฎเอิบเดียวไม่เพียงพอสำหรับแต่ละคลาส และปฏิเสธการจัดประเภทของรูปแบบบาง และกำหนดวิธีแก้ไขตาราง จำนวนกฎนั้นถ้าเอิบจะเพิ่มขึ้นเป็นทวีคูณเมื่อกับ dimensionality รูปแบบพื้นที่ ตารางเรื่องวิธีให้ผลลัพธ์สุดแม่นยำประเภท 99.73% สร้างกฎโดยใช้ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานเป็นง่ายที่จะใช้เป็นขึ้นอยู่กับค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของค่าแอตทริบิวต์เท่านั้น วิธีการปรับเปลี่ยนตารางไม่ได้สร้างความถูกต้องต้อง นอกจากนี้ ในวิธีใช้ตาราง จำนวนเอิบนั้นถ้ากฎสร้างเพิ่มขึ้นกับ dimensionality รูปแบบพื้นที่ ดัง เอิบนั้นถ้ากฎจำนวนมากจะมักจะถูกสร้างขึ้นสำหรับปัญหาการจัดประเภทรูปแบบจริง นี้นำไปสู่ข้อเสียหลาย: เกินเหมาะสมรูปแบบการฝึกอบรม ความต้องการจัดเก็บหน่วยความจำขนาดใหญ่ และข้อช้าเร็ว ดอก หมายเลขของกฎนั้นถ้าชัดเจนในแนวทางสองจะเหมือนกับหมายเลขของชั้นเรียน

ผลลัพธ์ (ไทย) 2:

เห็นได้ชัดในขณะที่ผลการดำเนินงานของตารางที่เรียบง่ายและค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐานเทียบได้ แต่ประสิทธิภาพการทำงานของกราฟและแนวทางแก้ไขตารางไม่ดีพอด้วยวิธีการอื่น ๆ นี้เป็นเพราะในแนวทาง histogram กฎเลือนเดียวไม่เพียงพอสำหรับแต่ละชั้นเรียนและการจัดรูปแบบบางส่วนถูกปฏิเสธและในกรณีของวิธีการปรับเปลี่ยนตารางจำนวนเลือนกฎถ้า-แล้วจะเพิ่มขึ้นชี้แจงกับมิติของรูปแบบ ช่องว่าง วิธีตารางง่ายให้ผลลัพธ์ที่ดีที่สุดโดยรวมที่มีความถูกต้องจัดหมวดหมู่ของ 99.73% รุ่นกฎโดยใช้ค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐานเป็นเรื่องง่ายที่จะดำเนินการตามที่มันขึ้นอยู่กับค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐานของค่าแอตทริบิวต์.
วิธีการปรับเปลี่ยนตารางไม่ได้ผลิตที่ต้องการความถูกต้อง นอกจากนี้ในแนวทางตารางตามจำนวนเลือนถ้า-แล้วกฎเพิ่มขึ้นชี้แจงกับมิติของพื้นที่รูปแบบ ดังนั้นจำนวนมากเลือนถ้า-กฎแล้วจะถูกสร้างขึ้นโดยปกติสำหรับรูปแบบโลกแห่งความจริงปัญหาการจัดหมวดหมู่ นี้นำไปสู่ข้อบกพร่องหลายประการ: มากกว่ากระชับรูปแบบการฝึกอบรมที่ต้องการเก็บความทรงจำที่มีขนาดใหญ่และความเร็วในการอนุมานช้า ในทางตรงกันข้ามตัวเลขของเลือนถ้า-แล้วกฎระเบียบในครั้งแรกสองวิธีเช่นเดียวกับจำนวนของชั้นเรียน

ผลลัพธ์ (ไทย) 3:

เป็นที่ประจักษ์ ประสิทธิภาพของตารางง่ายและค่าเฉลี่ย และส่วนเบี่ยงเบนมาตรฐานเทียบเคียง แต่ประสิทธิภาพของกราฟและตาราง วิธีแก้ไข คือ ไม่เพียงพอกับวิธีการอื่น ๆนี้คือเนื่องจากในส่วนวิธีการฟัซซี่กฎเดียวไม่เพียงพอสำหรับแต่ละระดับและประเภทของรูปแบบบางอย่างถูกปฏิเสธ และในกรณีของการปรับเปลี่ยนตารางวิธีการจำนวนฟัซซี่ถ้ากฎมีเพิ่มขึ้นชี้แจง ด้วย dimensionality รูปแบบพื้นที่ วิธีง่าย ๆให้รวมตารางผลลัพธ์ที่ดีที่สุดกับการความถูกต้องของ 99.73 %สร้างกฎการใช้ค่าเฉลี่ย และส่วนเบี่ยงเบนมาตรฐานเป็นง่ายต่อการใช้ มันขึ้นอยู่กับค่าเฉลี่ย และส่วนเบี่ยงเบนมาตรฐานของค่าแอตทริบิวต์ .
วิธีการแก้ไขตารางไม่ผลิตที่ต้องการความแม่นยำ นอกจากนี้ ในวิธีการตารางตามจำนวนของกฎฟัซซี่ ถ้าชี้แจงเพิ่มด้วย dimensionality ของแบบแผนพื้นที่ ดังนั้นตัวเลขขนาดใหญ่ของฟัซซี่ถ้ากฎที่สร้างขึ้นมักจะมีปัญหารูปแบบโลกแห่งความจริงการจำแนกประเภท นี้นำไปสู่การหลายประการกว่ารูปแบบการฝึกอบรมที่เหมาะสม ความต้องการหน่วยความจำขนาดใหญ่และลดความเร็วของการอนุมาน ในทางตรงกันข้าม ตัวเลขฟัซซีถ้ากฎใน 2 แนวทางแรกเป็นเช่นเดียวกับจำนวนของชั้นเรียน