T he output tree classifier. Once t

T he output tree classifier. Once the training dataset is extracted, a software tool
supporting classification trees analysis is run (in this work: Steinberg and Colla
1995). Figure 3 presents an example of such an output tree classifier. The classification
rules can then be extracted.
T he misclassification table. The table shows, for each class, how many pixels were
incorrectly classified in both the learning and test samples.
T he output variable importance. Predictor variables are ranked based on their
usefulness in separating the classes.

Results (Indonesian) 1:

T ia output pohon classifier. Setelah pelatihan dataset diekstrak, perangkat lunakklasifikasi pohon analisis mendukung dijalankan (dalam karya ini: Steinberg dan Colla1995). gambar 3 menyajikan contoh seperti output pohon classifier. Klasifikasiaturan dapat kemudian diekstraksi.T ia misclassification tabel. Tabel menunjukkan, kelas untuk berapa banyak piksel yangsalah diklasifikasikan dalam belajar dan pengujian sampel.T ia output variabel penting. Variabel prediktor peringkat berdasarkan merekakegunaan dalam memisahkan kelas.

Results (Indonesian) 2:

T ia keluaran classifier pohon. Setelah dataset pelatihan diekstrak, sebuah perangkat lunak
analisis pohon klasifikasi mendukung dijalankan (dalam pekerjaan ini: Steinberg dan Colla
1995). Gambar 3 menyajikan contoh seperti classifier pohon output. Klasifikasi
aturan kemudian dapat diekstraksi.
T dia meja kesalahan klasifikasi. Tabel menunjukkan, untuk setiap kelas, berapa banyak piksel yang
salah diklasifikasikan baik di belajar dan uji sampel.
T ia variabel output penting. Variabel prediktor adalah peringkat berdasarkan mereka
kegunaan dalam memisahkan kelas.