Decision Tree such as C4.5 is able

Decision Tree such as C4.5 is able to handle the missing data during training phase [4]. On the basis of number of complete records, it adjusts the gain ratio of each attribute in the training phase. Every incomplete record is scattered among all partitions by using a probability which is measured on the basis of the partition’s size. When a test is performed on missing attribute in prediction phase, the instance is propagated again on all available paths. On every edges of Decision Tree, certain weight is mentioned which is based on relative frequency of a value assigned to that edge. CART (Classification and Regression Trees) uses “Surrogate Variable Splitting (SVS)” strategy to replace missing record. For each missing value, it substitutes the value of primary splitter with “surrogate splitter” which is a predictor variable that obtained similar splitting results with the primary splitter [4].

Results (Indonesian) 1:

Pohon keputusan seperti C4.5 mampu menangani data hilang selama fase pelatihan [4]. Berdasarkan jumlah catatan lengkap, secara menyesuaikan rasio keuntungan setiap atribut pada tahap pelatihan. Setiap catatan lengkap tersebar antara semua partisi dengan menggunakan probabilitas yang diukur berdasarkan ukuran partisi. Ketika tes dilakukan pada atribut hilang dalam fase prediksi, contoh disebarkan kembali pada semua jalur-jalur yang tersedia. Pada setiap tepi pohon keputusan, berat tertentu disebut yang didasarkan pada frekuensi relatif nilai yang diberikan untuk bahwa tepi. KERANJANG (klasifikasi dan regresi pohon) menggunakan "pengganti variabel membelah (SVS)" strategi untuk menggantikan catatan hilang. Untuk setiap nilai yang hilang, itu pengganti nilai primer splitter dengan "pengganti splitter" yang adalah variabel prediktor yang diperoleh hasil membelah yang sama dengan primer splitter [4].

Results (Indonesian) 2:

Pohon Keputusan seperti C4.5 mampu menangani data yang hilang selama fase pelatihan [4]. Atas dasar jumlah record lengkap, menyesuaikan rasio keuntungan dari setiap atribut dalam tahap pelatihan. Setiap catatan lengkap tersebar di antara semua partisi dengan menggunakan probabilitas yang diukur atas dasar ukuran partisi. Ketika tes dilakukan pada hilang atribut dalam fase prediksi, misalnya disebarkan lagi pada semua jalur yang tersedia. Pada setiap tepi Pohon Keputusan, berat tertentu disebutkan yang didasarkan pada frekuensi relatif dari nilai yang diberikan untuk tepi itu. Kereta (Klasifikasi dan Regresi Pohon) menggunakan "pengganti Memisahkan Variable (SVS)" strategi untuk menggantikan catatan hilang. Untuk setiap nilai yang hilang, itu menggantikan nilai splitter primer dengan "splitter pengganti" yang merupakan variabel prediktor yang diperoleh hasil membelah sama dengan splitter utama [4].