• Early rule learning algorithms we

• Early rule learning algorithms were plagued by a couple of problems.• First, they were notorious for being slow, which made them ineffective for the increasing number of large datasets.• Secondly, they were often prone to being inaccurate on noisy data.• A first step toward solving these problems is the Incremental Reduced Error Pruning (IREP) algorithm uses a combination of pre-pruning and post-pruning methods that grow very complex rules and prune them before separating the instances from the full dataset.

Results (Thai) 1:

•กฎในช่วงต้นของการเรียนรู้ขั้นตอนวิธีการถูกรบกวนโดยคู่ของปัญหาที่เกิดขึ้น
•ครั้งแรกที่พวกเขากำลังฉาวโฉ่สำหรับการช้าซึ่งทำให้พวกเขาไม่ได้ผลสำหรับการเพิ่มจำนวนของชุดข้อมูลขนาดใหญ่
•ประการที่สองพวกเขามักจะมีแนวโน้มที่จะเป็นที่ไม่ถูกต้องในข้อมูลที่มีเสียงดัง
•ขั้นตอนแรกในการแก้ปัญหาเหล่านี้เป็นที่เพิ่มขึ้นการลดข้อผิดพลาดในการตัดแต่งกิ่ง (IREP) ขั้นตอนวิธีการใช้เป็นส่วนผสมของการตัดแต่งกิ่งก่อนและหลังการตัดแต่งกิ่งวิธีการที่เติบโตกฎระเบียบที่ซับซ้อนมากและตัดพวกเขาก่อนที่จะแยกอินสแตนซ์จากชุดข้อมูลเต็มรูปแบบ

Results (Thai) 2:

•อัลกอริทึมการเรียนรู้กฎในช่วงต้นได้รับการภัยพิบัติโดยไม่กี่ปัญหา
•ครั้งแรกที่พวกเขาเป็นฉาวโฉ่สำหรับการช้าซึ่งทำให้พวกเขาไม่ได้ผลสำหรับจำนวนที่เพิ่มขึ้นของชุดข้อมูลขนาดใหญ่
•ประการที่สองพวกเขามักจะมีแนวโน้มที่จะไม่ถูกต้องในข้อมูลที่มีเสียงดัง
•ขั้นตอนแรกในการแก้ปัญหาเหล่านี้คือการเพิ่มขึ้นลดข้อผิดพลาดการตัดแต่งกิ่ง (IREP) ขั้นตอนวิธีใช้การรวมกันของก่อนการตัดแต่งกิ่งและวิธีการตัดแต่งหลังการตัดแต่งที่เติบโตกฎที่ซับซ้อนมากและตัดพวกเขาก่อนที่จะแยกอินสแตนซ์จากชุดข้อมูลเต็มรูปแบบ

Results (Thai) 3:

ขั้นตอนวิธีการเรียนรู้กฎก่อนหน้านี้มีปัญหาบางอย่าง
แรกของทั้งหมดที่พวกเขาจะฉาวโฉ่สำหรับความเร็วช้าซึ่งทำให้พวกเขาไม่ถูกต้องสำหรับชุดข้อมูลขนาดใหญ่มากขึ้น
ประการที่สองพวกเขามักจะไม่ถูกต้องข้อมูลเสียง
ขั้นตอนแรกในการแก้ไขปัญหาเหล่านี้คือการเพิ่มขั้นตอนวิธี IREP ซึ่งรวมก่อนและหลังการตัดวิธีการสร้างกฎที่ซับซ้อนมากและตัดตัวอย่างก่อนที่จะแยกจากชุดข้อมูลที่สมบูรณ์