An important part of Coll-Streamis

An important part of Coll-Streamis to learn for each region of the feature space X
which model mj performs better. This way mj
predictions can be used with con¯-dence to classify incoming unlabeled records that belong to that particular region.
The feature space can be partitioned in several ways, here we follow the method
used by Zhuet al.,
26
where the partitions are created using the di®erent values of
each attribute. For example, if an attribute has two values, two estimators of how
the classi¯ers perform for each value are kept. If the attribute is numeric, it is
discretized and the regions use the values that result from the discretization process.
This method has shown good results and it represents a natural way of partitioning
the feature space

Kết quả (Việt) 1:

Một phần quan trọng của Coll-Streamis để tìm hiểu cho mỗi khu vực của không gian tính năng Xmj mô hình mà hoạt động tốt hơn. Mj cách nàydự báo có thể được sử dụng với con¯-dence để phân loại các hồ sơ ổ thuộc về khu vực cụ thể đó.Tính năng không gian có thể được phân chia theo nhiều cách, ở đây chúng tôi làm theo phương phápđược sử dụng bởi Zhuet al.,26trong trường hợp các phân vùng được tạo ra bằng cách sử dụng di ® tiểu giá trị củamỗi thuộc tính. Ví dụ, nếu một thuộc tính có giá trị hai, hai estimators như thế nàoCác classi¯ers thực hiện cho mỗi giá trị được lưu giữ. Nếu thuộc tính là số, nó làdiscretized và các khu vực sử dụng giá trị đó là kết quả của quá trình discretization.Phương pháp này đã cho thấy kết quả tốt và nó đại diện cho một cách tự nhiên để phân vùngtính năng không gian

Kết quả (Việt) 2:

Một phần quan trọng của Sb-Streamis để tìm hiểu cho từng khu vực trong những tính năng không gian X
mà mô hình mj thực hiện tốt hơn. Bằng cách này mj
dự đoán có thể được sử dụng với Con-dence để phân loại các hồ sơ không có nhãn đến thuộc rằng khu vực cụ thể.
Các không gian đặc tính có thể được phân chia theo nhiều cách, ở đây chúng tôi thực hiện theo các phương pháp
được sử dụng bởi Zhuet al.,
26
, nơi những phân vùng tạo ra bằng cách sử dụng các giá trị di®erent của
mỗi thuộc tính. Ví dụ, nếu một thuộc tính có hai giá trị, hai dự toán như thế nào
các classi¯ers thực hiện cho mỗi giá trị được lưu giữ. Nếu thuộc tính là số, nó được
rời rạc hóa và các khu vực sử dụng các giá trị là kết quả từ quá trình rời rạc.
Phương pháp này đã cho thấy kết quả tốt và nó đại diện cho một cách tự nhiên của phân vùng
không gian đặc trưng