Here the issue of relevancy of a fe

Here the issue of relevancy of a feature has to be raised i.e. how do we measure the relevancy of a feature to the data or the output. Several publications [1,8–11] have presented various definitions and measurements for the relevance of a variable. One definition that can be mentioned which will be useful for the following discussion is that ‘‘A feature can be regarded as irrelevant if it is conditionally independent of the class labels.’’ [7]. It essentially states that if a feature is to be relevant it can be independent of the input data but cannot be independent of the class labels i.e. the feature that has no influence on the class labels can be discarded. As mentioned above inter feature correlation plays an important role in determining unique features. For practical applications the underlying distribution is unknown and is measured by the classifier accuracy.
Due to this, an optimal feature subset may not be unique because it may be possible to achieve the same classifier accuracy using different sets of features.

Here the issue of relevancy of a feature has to be raised i.e. how do we measure the relevancy of a feature to the data or the output. Several publications [1,8–11] have presented various definitions and measurements for the relevance of a variable. One definition that can be mentioned which will be useful for the following discussion is that ‘‘A feature can be regarded as irrelevant if it is conditionally independent of the class labels.’’ [7]. It essentially states that if a feature is to be relevant it can be independent of the input data but cannot be independent of the class labels i.e. the feature that has no influence on the class labels can be discarded. As mentioned above inter feature correlation plays an important role in determining unique features. For practical applications the underlying distribution is unknown and is measured by the classifier accuracy. 
Due to this, an optimal feature subset may not be unique because it may be possible to achieve the same classifier accuracy using different sets of features.

0/5000

Từ: -

Sang: -

Kết quả (Việt) 1: [Sao chép]

Sao chép!

Here the issue of relevancy of a feature has to be raised i.e. how do we measure the relevancy of a feature to the data or the output. Several publications [1,8–11] have presented various definitions and measurements for the relevance of a variable. One definition that can be mentioned which will be useful for the following discussion is that ‘‘A feature can be regarded as irrelevant if it is conditionally independent of the class labels.’’ [7]. It essentially states that if a feature is to be relevant it can be independent of the input data but cannot be independent of the class labels i.e. the feature that has no influence on the class labels can be discarded. As mentioned above inter feature correlation plays an important role in determining unique features. For practical applications the underlying distribution is unknown and is measured by the classifier accuracy. Due to this, an optimal feature subset may not be unique because it may be possible to achieve the same classifier accuracy using different sets of features.

đang được dịch, vui lòng đợi..

Kết quả (Việt) 2:[Sao chép]

Sao chép!

Đây là vấn đề của sự liên quan của một tính năng đã được nâng lên tức là làm thế nào để chúng ta đo lường sự liên quan của một tính năng để các dữ liệu hoặc đầu ra. Một số [1,8-11] ấn phẩm đã trình bày định nghĩa khác nhau và các phép đo cho sự liên quan của một biến. Một định nghĩa có thể được đề cập trong đó sẽ có ích cho các cuộc thảo luận sau đây là '' Một tính năng có thể được coi là không thích hợp nếu nó là điều kiện độc lập của nhãn lớp. '' [7]. Nó cơ bản nói rằng nếu một tính năng là có liên quan nó có thể độc lập của dữ liệu đầu vào nhưng không thể là độc lập của nhãn lớp tức là các tính năng mà không ảnh hưởng đến các nhãn lớp có thể được loại bỏ. Như đã đề cập ở trên liên tính năng tương quan đóng một vai trò quan trọng trong việc xác định các tính năng độc đáo. Đối với các ứng dụng thực tế phân phối tiềm ẩn chưa được biết và được đo bằng độ chính xác phân loại.
Do đó, một tính năng tập con tối ưu có thể không phải là duy nhất bởi vì nó có thể được có thể để đạt được độ chính xác phân loại tương tự bằng cách sử dụng bộ khác nhau của tính năng.

đang được dịch, vui lòng đợi..

Kết quả (Việt) 3:[Sao chép]

Sao chép!

đang được dịch, vui lòng đợi..

Các ngôn ngữ khác

Hỗ trợ công cụ dịch thuật: Albania, Amharic, Anh, Armenia, Azerbaijan, Ba Lan, Ba Tư, Bantu, Basque, Belarus, Bengal, Bosnia, Bulgaria, Bồ Đào Nha, Catalan, Cebuano, Chichewa, Corsi, Creole (Haiti), Croatia, Do Thái, Estonia, Filipino, Frisia, Gael Scotland, Galicia, George, Gujarat, Hausa, Hawaii, Hindi, Hmong, Hungary, Hy Lạp, Hà Lan, Hà Lan (Nam Phi), Hàn, Iceland, Igbo, Ireland, Java, Kannada, Kazakh, Khmer, Kinyarwanda, Klingon, Kurd, Kyrgyz, Latinh, Latvia, Litva, Luxembourg, Lào, Macedonia, Malagasy, Malayalam, Malta, Maori, Marathi, Myanmar, Mã Lai, Mông Cổ, Na Uy, Nepal, Nga, Nhật, Odia (Oriya), Pashto, Pháp, Phát hiện ngôn ngữ, Phần Lan, Punjab, Quốc tế ngữ, Rumani, Samoa, Serbia, Sesotho, Shona, Sindhi, Sinhala, Slovak, Slovenia, Somali, Sunda, Swahili, Séc, Tajik, Tamil, Tatar, Telugu, Thái, Thổ Nhĩ Kỳ, Thụy Điển, Tiếng Indonesia, Tiếng Ý, Trung, Trung (Phồn thể), Turkmen, Tây Ban Nha, Ukraina, Urdu, Uyghur, Uzbek, Việt, Xứ Wales, Yiddish, Yoruba, Zulu, Đan Mạch, Đức, Ả Rập, dịch ngôn ngữ.