Many proposals have been made regar

Many proposals have been made regarding the e®ectiveness of individual attributes, or subsets of attributes. They can be broadly divided into two classes,the approaches based on internal information and the approaches based on external information. Internal information and external information are so called and distinguished with respect to the dataset. Internal information based approaches typically depend on the syntactic or statistical information of the dataset. For example, an attribute weighting function is designed by using attributes' distribution information or prediction power. The most ¯t attribute is used ¯rstly in the rule construction process. On the contrary, external information based approaches assign weights to attributes, or rank attributes based on external semantics or constraints. It is important to realize that these two classes are complementary to each other. Together, they may provide a realistic model for machine learning and data mining. That is, it is desirable that one can consider both syntactical and semantical information in a uni¯ed framework.

Kết quả (Việt) 1:

Nhiều đề nghị đã được thực hiện về e ® ectiveness của thuộc tính cá nhân hoặc tập hợp con của thuộc tính. Họ có thể được rộng rãi chia thành hai lớp học, các phương pháp tiếp cận dựa trên thông tin nội bộ và các phương pháp tiếp cận dựa trên thông tin bên ngoài. Thông tin nội bộ và bên ngoài thông tin là như vậy gọi là và phân biệt đối với bộ dữ liệu. Thông tin nội bộ dựa trên phương pháp tiếp cận thường phụ thuộc vào các thông tin cú pháp hoặc thống kê của bộ dữ liệu. Ví dụ, một thuộc tính hệ số chức năng được thiết kế bằng cách sử dụng thuộc tính phân phối thông tin hoặc dự đoán điện. Thuộc tính ¯t nhất là ¯rstly được sử dụng trong quá trình xây dựng quy tắc. Ngược lại, bên ngoài thông tin dựa trên phương pháp tiếp cận gán trọng lượng cho thuộc tính, hoặc thuộc tính xếp hạng dựa trên bên ngoài ngữ nghĩa hoặc hạn chế. Nó là quan trọng để nhận ra rằng các lớp học hai bổ sung cho nhau. Cùng nhau, họ có thể cung cấp một mô hình thực tế cho máy học và khai thác dữ liệu. Có nghĩa là, đó là mong muốn rằng một có thể xem xét thông tin syntactical và semantical trong một khuôn khổ uni¯ed.

Kết quả (Việt) 2:

Nhiều đề xuất đã được thực hiện liên quan đến việc ectiveness e ® của thuộc tính cá nhân, hoặc các tập con của các thuộc tính. Họ có thể được phân chia thành hai lớp, các phương pháp tiếp cận dựa trên thông tin nội bộ và các phương pháp tiếp cận dựa trên thông tin bên ngoài. Thông tin nội bộ và thông tin đối ngoại được gọi là và phân biệt đối với các bộ dữ liệu với. Phương pháp tiếp cận dựa trên thông tin nội bộ thường phụ thuộc vào các thông tin cú pháp hoặc thống kê của các bộ dữ liệu. Ví dụ, một chức năng trọng thuộc tính được thiết kế bằng cách sử dụng thông tin phân phối thuộc tính hoặc điện dự đoán. Thuộc tính t ¯ nhất được sử dụng ¯ rstly trong quá trình xây dựng quy tắc. Ngược lại, phương pháp tiếp cận dựa trên thông tin bên ngoài gán trọng số các thuộc tính hoặc các thuộc tính thứ hạng dựa trên ngữ nghĩa bên ngoài hoặc hạn chế. Điều quan trọng là nhận ra rằng hai lớp này là bổ sung cho nhau. Cùng nhau, họ có thể cung cấp một mô hình thực tế cho học máy và khai thác dữ liệu. Có nghĩa là, đó là mong muốn mà ta có thể xem xét thông tin cả hai cú pháp và ngữ nghĩa trong một khuôn khổ ed uni ¯.