ผลลัพธ์ (ภาษาไทย) 1:จำนวนข้อมูลการฝ

ผลลัพธ์ (ภาษาไทย) 1:
จำนวนข้อมูลการฝึกอบรมแตกต่างกัน
ส่วนนี้ตรวจสอบเส้นโค้งการเรียนรู้ ซึ่งแสดงผลของการค่อย ๆ เพิ่ม
จำนวนข้อมูลการฝึกอบรม อีกครั้ง เราใช้ข้อมูลแก้ว แต่เวลานี้
กับ IBk และเรียนต้นไม้ตัดสินใจ C4.5 ดำเนินการใน Weka เป็น J48
รับเส้นโค้งการเรียนรู้ ใช้ FilteredClassifier อีก นี้เวลาร่วม
กับ weka.filters.unsupervised.instanceเปลี่ยนความละเอียด ที่แยกเป็นบาง
ระบุเปอร์เซ็นต์ของชุดข้อมูลที่กำหนด และส่งกลับค่า dataset.1 ลดลงอีก,
นี้จะทำเฉพาะสำหรับชุดแรกซึ่งตัวกรองจะใช้ เพื่อทดสอบ
ผ่านข้อมูล unmodified ผ่าน FilteredClassifier ตอน
classifier.
17.2.9 ออกกำลังกาย บันทึก 17.3 ตารางข้อมูลเส้นโค้งการเรียนรู้ทั้งการ
classifier หนึ่งใกล้บ้าน (เช่น IBk มี k = 1) และ J48.
กาย 17.2.10 ผลของการเพิ่มจำนวนข้อมูลการฝึกอบรมคืออะไร?
17.2.11 ออกกำลังกาย มีผลนี้ชัดเจนยิ่งขึ้นสำหรับ IBk J48
ผลลัพธ์ (ภาษาไทย) 2:
ที่แตกต่างกันจำนวนของการฝึกอบรมข้อมูล
ในส่วนนี้จะตรวจสอบเส้นโค้งการเรียนรู้ที่แสดงให้เห็นผลของการค่อยๆเพิ่มขึ้น
ปริมาณของข้อมูลการฝึกอบรม อีกครั้งที่เราใช้ข้อมูลกระจก แต่เวลานี้
มีทั้ง IBK และเรียนต้นไม้ตัดสินใจ C4.5 ดำเนินการใน Weka เป็น J48
เพื่อให้ได้เส้นโค้งการเรียนรู้การใช้ FilteredClassifier อีกครั้งคราวนี้ร่วม
ด้วย weka.filters.unsupervised.instance . Resample ซึ่งสารสกัดจากบางอย่าง
ที่ระบุร้อยละของชุดที่กำหนดและผลตอบแทนที่ลดลง dataset.1 อีกครั้ง
นี้จะทำเฉพาะสำหรับชุดแรกที่ตัวกรองถูกนำไปใช้เพื่อการทดสอบ
ข้อมูลผ่านไปยังไม่แปรผ่าน FilteredClassifier ก่อนที่จะถึง
ลักษณนาม
17.2.9 การออกกำลังกาย บันทึกไว้ในตาราง 17.3 ข้อมูลสำหรับการเรียนรู้โค้งสำหรับทั้ง
ลักษณนามหนึ่งเพื่อนบ้านที่ใกล้ที่สุด (เช่น IBK ด้วย k = 1) และ J48
การออกกำลังกาย 17.2.10 ผลของการเพิ่มปริมาณของข้อมูลการฝึกอบรมคืออะไร?
การออกกำลังกาย 17.2.11 เป็นผลนี้เด่นชัดมากขึ้นสำหรับ IBK หรือ J48?
ผลลัพธ์ (ภาษาไทย) 3:
การเปลี่ยนแปลงปริมาณของข้อมูลการฝึกอบรม
ส่วนนี้ตรวจสอบเส้นโค้งการเรียนรู้ ซึ่งแสดงผลของการค่อยๆเพิ่ม
จํานวนข้อมูลการฝึกอบรม อีก เราใช้ข้อมูลแก้ว แต่เวลานี้
ทั้ง ibk และโปรแกรม C4.5 ต้นไม้การตัดสินใจผู้เรียน ใช้เป็น j48 Weka .
ได้รับการเรียนรู้โค้ง ใช้ filteredclassifier อีก คราวนี้ ควบคู่กับ weka.filters.unsupervised.instance
.resample ซึ่งสารสกัดบาง
ระบุร้อยละของข้อมูลและส่งกลับข้อมูลให้ลดลง 1 อีกครั้ง
นี้จะทำเพียงชุดแรกที่ใช้ตัวกรองเพื่อให้ข้อมูลทดสอบ
ผ่านไม่ผ่าน filteredclassifier ก่อนที่จะถึง

ใช้ลักษณนาม 17.2.9 . บันทึกตารางสำหรับข้อมูลเส้นโค้งการเรียนรู้สำหรับทั้ง
เพื่อนบ้านที่ใกล้ที่สุดแบบหนึ่ง ( เช่น ibk กับ k = 1 ) และ j48 .
ออกกำลังกาย 17.2.10 . อะไรคือผลของการเพิ่มปริมาณของข้อมูลการฝึกอบรม ?
ออกกำลังกาย 17.2.11 . นี่คือผลเด่นชัดมากขึ้นสำหรับ ibk หรือ j48 ?

Results (English) 1:

Results (Thai language) 1:A number of different training informationIn this section investigate learning curve, which shows the effect of gradually increasing.The number of training data again. We use glass but this time.With IBk and CNN4D5 decision tree Weka J48 into action.Get learning curve using FilteredClassifier this time together.The weka. filters change instance. unsupervised. separate bang.Specifies the percentage of a given data set, and returns the dataset.1 down again,This is done only for the first series in which the filter will be used to test.Through unmodified data through FilteredClassifier.classifier.17.2.9 17.3 recording exercise information table learning curve for both.One of the nearest classifier (such as k = 1 with IBk) and J48.Add a number of physical effects of 17.2.10 training data is?17.2.11 this exercise more precise results for IBk J48Results (Thai language) 2:Different amounts of training data.In this section investigate learning curve that shows the effect of gradually increased.The amount of training data again we use the mirror, but this time.With IBK and CNN4D5 decision tree in the Weka J48.In order to obtain the learning curve to use FilteredClassifier again, this time together.By weka.filters.unsupervised.instance some extracts which Resample.ที่ระบุร้อยละของชุดที่กำหนดและผลตอบแทนที่ลดลง dataset.1 อีกครั้งนี้จะทำเฉพาะสำหรับชุดแรกที่ตัวกรองถูกนำไปใช้เพื่อการทดสอบข้อมูลผ่านไปยังไม่แปรผ่าน FilteredClassifier ก่อนที่จะถึงลักษณนาม17.2.9 การออกกำลังกาย บันทึกไว้ในตาราง 17.3 ข้อมูลสำหรับการเรียนรู้โค้งสำหรับทั้งลักษณนามหนึ่งเพื่อนบ้านที่ใกล้ที่สุด (เช่น IBK ด้วย k = 1) และ J48การออกกำลังกาย 17.2.10 ผลของการเพิ่มปริมาณของข้อมูลการฝึกอบรมคืออะไร?การออกกำลังกาย 17.2.11 เป็นผลนี้เด่นชัดมากขึ้นสำหรับ IBK หรือ J48?ผลลัพธ์ (ภาษาไทย) 3:การเปลี่ยนแปลงปริมาณของข้อมูลการฝึกอบรมส่วนนี้ตรวจสอบเส้นโค้งการเรียนรู้ ซึ่งแสดงผลของการค่อยๆเพิ่มจํานวนข้อมูลการฝึกอบรม อีก เราใช้ข้อมูลแก้ว แต่เวลานี้ทั้ง ibk และโปรแกรม C4.5 ต้นไม้การตัดสินใจผู้เรียน ใช้เป็น j48 Weka .ได้รับการเรียนรู้โค้ง ใช้ filteredclassifier อีก คราวนี้ ควบคู่กับ weka.filters.unsupervised.instance.resample ซึ่งสารสกัดบางระบุร้อยละของข้อมูลและส่งกลับข้อมูลให้ลดลง 1 อีกครั้งนี้จะทำเพียงชุดแรกที่ใช้ตัวกรองเพื่อให้ข้อมูลทดสอบผ่านไม่ผ่าน filteredclassifier ก่อนที่จะถึงใช้ลักษณนาม 17.2.9 . บันทึกตารางสำหรับข้อมูลเส้นโค้งการเรียนรู้สำหรับทั้งเพื่อนบ้านที่ใกล้ที่สุดแบบหนึ่ง ( เช่น ibk กับ k = 1 ) และ j48 .ออกกำลังกาย 17.2.10 . อะไรคือผลของการเพิ่มปริมาณของข้อมูลการฝึกอบรม ?17.2.11 exercise. This is even more pronounced effects for ibk or j48?

Results (English) 3:

1 Results (English) of training data different
this check learning curve, which shows the effect of gradually increase the number of training data.
Again, we use glass, but this time with the decision tree learning IBk
and C4.5 performed in Weka is J48
get a learning curve. FilteredClassifier again, this time using the joint
. Weka.filters.unsupervised.instance change resolution. Separate some
enter percent of the data set; and returns dataset.1 dropped again,
.This will do for the first series, which filters are used to test the
through information unmodified through FilteredClassifier when classifier.

17.2.9. Exercise, save 17.3 data table learning curve both
classifier one near (such as IBk have k = 1) J48.
17.2 and body.10 effect of increasing the number of training data?
17.2.11 exercise. This effect more clearly for IBk J48
results (Thai). 2:
different number of training data
.In this section will review the learning curve that shows the effect of gradually increasing quantities of training data, simplifying
Again, we use data mirror, but this time the decision tree learning IBK
and C4.5 performed in Weka is J48
.To achieve the learning curve using FilteredClassifier again, this time joining
. Weka.filters.unsupervised.instance. Resample. The extracts from some specified percentage of the
determination and lower yields dataset.1 again
.This is done only for the first set of filters is applied to the test data through
unmodified through FilteredClassifier before

17.2.9 classifiers. Exercise in table 17.3 recorded data for the learning curve for both
.A nearest neighbor classifier (such as IBK with k = 1) and J48
exercise 17.2.10 effect of increasing the amount of training data?
exercise 17.2.11 is more pronounced for this IBK or J48?
results (Thai) 3:
.Changing the amount of training data. This check learning curve. The effect of gradually increasing the amount of training data, again, we use the information of glass, but this time
both IBK and program C4.