A few other major results gleaned f

A few other major results gleaned fromthe pairwise comparisons of
classifier algorithm families are highlighted. The Random Forest classifier
(RF) (Breiman, 2001), which is considered a Decision Tree (DT)
(Brodley & Friedl, 1997) extension, performed better than DT in all
nine articles in which they were compared with mean improvement
in OA of 4.0%. Despite its simplicity, K-Nearest Neighbor (KNN) (Cover
& Hart, 1967) generally performed as well or better than some of the
more complex classifiers such as ML and DT. KNN was better than ML
in 12 out of 17 comparisons (mean improvement of KNN of 1.3%) and
KNN was better than DT in 6 out of 9 articles (mean improvement of
2.4%). This makes KNN a viable option when there are limitations of
computational resources. Even thoughMinimum Distance has a similar
concept to KNN, it did not work as well as KNN. The number of articles
used for each pairwise comparison of classifier families shown in Table 2
provides a good indication of the strength of evidence for each comparison
and identifies potential gaps in evidence in terms of absence of
direct comparisons.

Kết quả (Việt) 1:

Một vài kết quả chính khác lượm lặt từ so sánh cửloại giải thuật lập gia đình được đánh dấu. Loại ngẫu nhiên rừng(RF) (Breiman, 2001), vốn được xem là một cây quyết định (DT)(Brodley & Friedl, 1997) mở rộng, thực hiện tốt hơn so với DT trong tất cảBài viết chín trong đó họ đã được so sánh với có nghĩa là sự cải tiếnở OA 4,0%. Mặc dù đơn giản của nó, K-Nearest hàng xóm (KNN) (Cover& Hart, 1967) thường được thực hiện cũng như hoặc tốt hơn so với một số cácMáy phân loại phức tạp hơn như ML và DT. KNN là tốt hơn so với MLtrong so sánh 12 trong 17 (có nghĩa là cải tiến của KNN 1.3%) vàKNN là tốt hơn so với DT 6 trong số 9 bài viết (có nghĩa là cải thiện2,4%). Điều này làm cho KNN một lựa chọn khi có những hạn chế củatài nguyên tính toán. Ngay cả thoughMinimum khoảng cách có một tương tựkhái niệm để KNN, nó đã không làm việc cũng như KNN. Số lượng các bài viếtđược sử dụng để so sánh mỗi cử gia đình loại Hiển thị trong bảng 2cung cấp một dấu hiệu tốt của sức mạnh của các bằng chứng để so sánh mỗivà xác định các lỗ hổng tiềm năng trong các bằng chứng về sự vắng mặt củaso sánh trực tiếp.

Kết quả (Việt) 2:

Một vài kết quả chính khác lượm lặt fromthe so sánh cặp của
gia đình các thuật toán phân loại được đánh dấu. Bộ phân loại rừng ngẫu nhiên
(RF) (Breiman, 2001), được coi là một cây quyết định (DT)
(Brodley & Friedl, 1997) mở rộng, thực hiện tốt hơn so với DT trong tất cả
chín phẩm mà trong đó họ được so sánh với sự cải thiện có ý nghĩa
trong viêm khớp 4,0%. Mặc dù đơn giản của nó, K-gần Neighbor (KNN) (Cover
& Hart, 1967) thường được thực hiện cũng như hoặc tốt hơn so với một số các
phân loại phức tạp hơn như ML và DT. KNN là tốt hơn so với ML
ở 12 trong số 17 so sánh (có nghĩa là cải thiện KNN 1,3%) và
KNN là tốt hơn so với DT 6 trong 9 bài viết (có nghĩa là cải thiện
2,4%). Điều này làm cho KNN một lựa chọn khả thi khi có những hạn chế của
tài nguyên tính toán. Ngay cả thoughMinimum cách có một tương tự như
khái niệm để KNN, nó không làm việc cũng như KNN. Số lượng bài viết
sử dụng cho mỗi so sánh cặp của gia đình phân loại thể hiện trong Bảng 2
cung cấp một dấu hiệu tốt về sức mạnh của bằng chứng cho mỗi so sánh
và xác định các lỗ hổng tiềm năng trong những bằng chứng về sự vắng mặt của
sự so sánh trực tiếp.