Discussion of ResultsCFS outperform

Discussion of Results
CFS outperforms the wrapper four times for naive
Bayes and ¯ve times for C4.5, while the wrapper outperforms
CFS three times for both learning algorithms.
Furthermore, as shown by the entries marked with +"
or ¡" in the tables, CFS improves the accuracy of the
learning algorithms more times and degrades accuracy
fewer times than the wrapper does. For naive Bayes,
CFS improves accuracy eight times and degrades accuracy
only once; the wrapper improves accuracy seven
times but degrades accuracy four times. For C4.5,
CFS improves accuracy twice and degrades accuracy
twice; the wrapper improves accuracy three times but
degrades accuracy ¯ve times.
It appears that the wrapper has some di±culty on
datasets with fewer examples. Cross validation accuracy
estimates can exhibit greater variability when
the number of examples is small (Kohavi, 1995), and
the wrapper may be over¯tting these datasets in some
cases. CFS, on the other hand, does not need to reserve
part of the training data for evaluation purposes, and,
in general, tends to do better on smaller datasets than
the wrapper.

ผลลัพธ์ (ไทย) 1:

อภิปรายผลCFS outperforms กระดาษห่อ 4 ครั้งสำหรับขำน่าBayes และ ¯ve เวลา C4. 5 ในขณะที่กระดาษห่อ outperformsCFS สามครั้งสำหรับอัลกอริทึมทั้งสองเรียนรู้"นอกจากนี้ แสดง โดยรายการที่ทำเครื่องหมาย ด้วย + "หรือ "ในตาราง CFS ปรับปรุงความถูกต้องของการ"การเรียนรู้อัลกอริทึมครั้งและแม่นยำ dégradésเวลาน้อยกว่าแบบกระดาษห่อไม่ สำหรับขำน่า BayesCFS แม่นยำเพิ่มความแม่นยำ 8 ครั้ง และ dégradésเพียงครั้งเดียว กระดาษห่อที่ช่วยเพิ่มความแม่นยำ 7เวลา แต่เสื่อมความถูกต้องครั้งที่สี่ สำหรับ C4 5ความแม่นยำ CFS เพิ่มความแม่นยำสองและ dégradésสอง แต่กระดาษห่อที่ดีถูกต้องสามครั้งเสื่อมความ ¯ve ครั้งปรากฏว่า กระดาษห่อที่มี di±culty บางdatasets ตัวอย่างน้อย ข้ามการตรวจสอบความถูกต้องประเมินสามารถแสดงสำหรับความผันผวนมากขึ้นเมื่อจำนวนตัวอย่างมีขนาดเล็ก (Kohavi, 1995), และการห่ออาจ over¯tting datasets เหล่านี้ในบางกรณี CFS ในทางกลับกัน ไม่จำเป็นต้องจองห้องพักส่วนของข้อมูลการฝึกอบรมเพื่อวัตถุประสงค์ในการประเมินผล และ การทั่วไป มีแนวโน้มที่ดีใน datasets ขนาดเล็กกว่ากระดาษห่อ

ผลลัพธ์ (ไทย) 3:

การประชุมของผล
CFS เก่าๆที่มากกว่าสำหรับห่อสี่ครั้งไร้เดียงสา
bayes และ N ห้ามทำได้เท่ากับ c4.5 ,ในขณะที่ที่มากขึ้นกว่าห่อ
CFS สามครั้งสำหรับทั้งการเรียนรู้อัลกอริธึม.
ยิ่งไปกว่านั้นดังที่แสดงในรายการที่มีเครื่องหมาย\"
หรือ\ก"เข้าไปในตาราง, CFS ของช่วยเพิ่มความถูกต้องแม่นยำในการเรียนรู้อัลกอริธึมที่
ซึ่งจะช่วยมากกว่าและจะลดลงตามความแม่นยำมากขึ้น
ซึ่งจะช่วยลดเวลาที่ใช้ห่อหลับในมากกว่า. สำหรับ bayes ไร้เดียงสา
CFS ของช่วยเพิ่มความแม่นยำแปดเท่าและจะลดลงตามความถูกต้องแม่นยำ
ซึ่งจะช่วยเพียงครั้งเดียวห่อมากกว่าที่จะช่วยปรับปรุงความถูกต้องแม่นยำเจ็ด
ช่วงเวลาแต่จะลดลงตามความถูกต้องแม่นยำสี่ครั้ง สำหรับ c4.5 ,
CFS ช่วยเพิ่มความแม่นยำสองครั้งและจะลดลงตามความถูกต้อง
สองครั้ง;ที่ช่วยเพิ่มความแม่นยำมากขึ้นห่อสามครั้งแล้วแต่
ซึ่งจะช่วยจะลดลงตามความถูกต้อง N ห้ามทำได้เท่า.
มันเอเคอร์แอปพลิเคชันที่ใช้ห่อได้มากขึ้นบางคน di ± culty บน
datasets ด้วยมากน้อยตัวอย่าง. ข้ามผ่านการตรวจสอบความถูกต้องแม่นยำ
ตามมาตรฐานมีการประเมินโดยสามารถแสดงได้มากขึ้นกว่าเมื่อ
หมายเลขของตัวอย่างมีขนาดเล็ก( kohavi 1995 )และ
ห่ออาจจะมาก กว่า ¯ วิทยานิพนธ์ tting ข้อมูลตั้งค่าให้ใช้ในบางกรณี
CFS ของมืออีกข้างหนึ่งที่ตันต้องหลับในกรณีฉุกเฉินสำรองข้อมูล
ซึ่งจะช่วยเป็นส่วนหนึ่งของการฝึกซ้อมสำหรับการประเมินผลของเปอร์ - POS และ
โดยทั่วไปมีแนวโน้มตันของให้ทำการห่อได้ดียิ่งขึ้นของชุดข้อมูลขนาดเล็กกว่า
ซึ่งจะช่วยได้มากขึ้น.