Even if CART implements a stepwise

Even if CART implements a stepwise feature selection, it may happen that one feature is excluded because other variables masked its effect. This could be particularly critical in small and unbalanced dataset. In order to deal with masking and to be sure that the tree included the best subset of features, we adopted the so-called exhaustive search method [39], investigating all the possible combinations of k out of N features (with k from 1 to N). Since the number of features N is 13, we investigated 213 = 8092 subsets of features, training and testing the same number of classifier, as further discussed.

Hasil (Bahasa Indonesia) 1:

Bahkan jika keranjang menerapkan pilihan fitur bertahap, mungkin terjadi bahwa salah satu fitur yang dikecualikan karena variabel lain bertopeng efeknya. Ini bisa menjadi sangat penting dalam dataset kecil dan tidak seimbang. Untuk berurusan dengan masking dan untuk memastikan bahwa pohon termasuk terbaik subset dari fitur, kami mengadopsi metode pencarian lengkap yang disebut [39], menyelidiki semua kemungkinan kombinasi k dari fitur N (dengan k dari 1 ke N). Karena jumlah fitur N 13, menyelidiki 213 = 8092 subset dari fitur, pelatihan dan pengujian Penjodoh, yang lebih jauh dibahas dalam jumlah yang sama.

Hasil (Bahasa Indonesia) 2:

Bahkan jika Kereta mengimplementasikan pilihan fitur bertahap, mungkin terjadi bahwa satu fitur yang dikecualikan karena variabel lain bertopeng efeknya. Hal ini bisa sangat penting dalam dataset kecil dan seimbang. Dalam rangka menghadapi masking dan untuk memastikan bahwa pohon termasuk bagian terbaik dari fitur, kami mengadopsi apa yang disebut metode lengkap pencarian [39], menyelidiki semua kemungkinan kombinasi dari k dari fitur N (dengan k dari 1 sampai N). Karena sejumlah fitur N adalah 13, kami meneliti 213 = 8.092 subset fitur, pelatihan dan pengujian jumlah yang sama classifier, seperti dibahas lebih lanjut.