implications of the results, accord

implications of the results, according to the nature of each database. In the “Promoter recognition” database for instance, the task of rec¬ognizing as many promoters as possible, is crucial in the domain of Molecular Biology, and thus any improvement, however small, is welcome.
In most of the cases the improvement exceeds 1%, reaching a maximum of 6.6% in comparison with the form of C4.5 without pruning in the “Promoter recognition” database, a maximum of 3.47% in comparison with the form of C4.5 with pruning in the “Monk 1” database, a maximum of 36.79% in comparison with CN2 in the “Promoter recognition” database, and finally a maximum of 3.94% in comparison with CL2 in the “Monk 1” database.
Furthermore, in Table 7, we present the standard deviations of the classification accuracy of CLEDM against the classification accuracy of the data mining algorithms themselves. Note that the standard deviations for “Monk 1” cannot be calculated, due to the nature of the database and its validation test.
In most of the cases the standard deviation of CLEDM is smaller than the one of the used data mining classification algorithms. In most of the other cases the differences in standard deviations do not exceed 1%. Finally, in Table 8, we present the average value of m(i), i= 1, ..., s - r, for every database and form of CLEDM separately.

Results (Indonesian) 1:

implikasi dari hasil, menurut sifat setiap database. Dalam database "Promotor pengenalan" misalnya, tugas rec¬ognizing promotor sebanyak mungkin, penting dalam domain biologi molekuler, dan dengan demikian perbaikan, bagaimanapun kecilnya, Selamat datang.Dalam sebagian besar kasus perbaikan melebihi 1%, mencapai maksimum 6.6% dibandingkan dengan bentuk C4.5 tanpa pemangkasan dalam database "Promotor pengenalan", maksimum 3,47% dibandingkan dengan bentuk C4.5 dengan pemangkasan pada "Monk 1" database, maksimal 36.79% dibandingkan dengan CN2 dalam database "Promotor pengenalan", dan akhirnya maksimum sebesar 3.94% dibandingkan dengan CL2 di "Monk 1" database.Selain itu, tabel 7, kami hadir deviasi standar klasifikasi ketepatan CLEDM terhadap keakuratan Klasifikasi data pertambangan algoritma sendiri. Perhatikan bahwa deviasi standar untuk "Monk 1" tidak dihitung, karena sifat dari database dan tes validasi nya.Dalam sebagian besar kasus deviasi standar dari CLEDM lebih kecil daripada yang digunakan data pertambangan klasifikasi algoritma. Dalam sebagian besar kasus lain perbedaan dalam standar deviasi tidak melebihi 1%. Akhirnya, tabel 8, kami menyajikan nilai rata-rata m(i), saya = 1,..., s - r, untuk setiap database dan bentuk CLEDM secara terpisah.

Results (Indonesian) 2:

implikasi dari hasil, sesuai dengan sifat dari setiap database. Dalam "Promotor pengakuan" basis data misalnya, tugas rec¬ognizing sebanyak promotor mungkin, sangat penting dalam domain Biologi Molekuler, dan dengan demikian perbaikan, betapapun kecilnya, adalah diterima.
Dalam sebagian besar kasus peningkatan melebihi 1%, mencapai maksimum 6,6% dibandingkan dengan bentuk C4.5 tanpa pemangkasan dalam "pengakuan Promotor" basis data, maksimal 3,47% dibandingkan dengan bentuk C4.5 dengan pemangkasan dalam "Monk 1" Database, maksimal 36,79% dibandingkan dengan CN2 di "Promotor pengakuan" basis data, dan akhirnya maksimal 3,94% dibandingkan dengan CL2 dalam "Monk 1" database.
Selanjutnya, pada Tabel 7, kami menyajikan standar deviasi dari akurasi klasifikasi CLEDM terhadap akurasi klasifikasi algoritma data mining sendiri. Perhatikan bahwa deviasi standar untuk "Monk 1" tidak dapat dihitung, karena sifat dari database dan uji validasi.
Dalam sebagian besar kasus deviasi standar CLEDM lebih kecil dari salah satu digunakan algoritma klasifikasi data mining. Dalam sebagian besar kasus lain perbedaan dalam standar deviasi tidak melebihi 1%. Akhirnya, pada Tabel 8, kami menyajikan nilai rata-rata m (i), i = 1, ..., s - r, untuk setiap database dan bentuk CLEDM secara terpisah.