It is also important to choose vali

It is also important to choose validation method (classifier accuracy) for the chosen classifier. This method is known as cross-validation in which the input data is split into training and testing sets and the test set (unseen by the method or classifier) is validated against the training set to check if the classifier can reproduce the known output. Several types of cross-validation are used in literature. One of the simplest methods is the 2-fold cross-validation wherein the data is randomly split into training and test sets. An extension of the 2-fold cross-validation is the K-fold cross-validation in which the data is randomly split into K subsets. For training K À 1 subsets are chosen and the remaining subset is used for testing. This process is repeated until all the subsets are used for testing. Another version of the K-fold cross-validation is the Leave-one out
cross-validation (LOOCV) wherein K is equal to the number of samples i.e. each sample is used for testing and the rest of the samples are used for training. This process is done until all the samples are tested. For model selection (feature selection or classifier) the training set may be further split into training and validation sets. The prediction of the validation set is used to
reinforce the model selection. In [34] the authors address the problem of over fitting found when comparisons of the feature selections are made. The authors argue the cross-validation methods can contribute to over estimating the model performance. The author tests the SFS and SFFS method on various datasets with k-NN [18,6] classifier as the wrapper. They use the 2-fold and LOOCV cross-validation methods to compare the results of the two feature selection algorithms.

Kết quả (Việt) 1:

Đó cũng là quan trọng để lựa chọn phương pháp xác nhận (loại chính xác) cho loại lựa chọn. Phương pháp này được gọi là cross-xác nhận trong đó các dữ liệu đầu vào được chia thành huấn luyện và thử nghiệm bộ và thử nghiệm thiết lập (không nhìn thấy bởi phương pháp hoặc loại) xác nhận chống lại việc đào tạo thiết lập để kiểm tra nếu loại có thể tái sản xuất đầu ra được biết đến. Một số loại hình của cross-xác nhận được sử dụng trong văn học. Một trong những phương pháp đơn giản nhất là đường 2-fold-xác nhận trong đó các dữ liệu ngẫu nhiên được chia thành đào tạo và kiểm tra bộ. Một phần mở rộng của đường 2-fold, xác nhận là đường K-gấp-xác nhận trong đó các dữ liệu ngẫu nhiên được phân chia thành tập con K. Đối với đào tạo K À 1 tập con được lựa chọn và tập con còn lại được sử dụng để thử nghiệm. Quá trình này được lặp đi lặp lại cho đến khi tất cả các tập con được sử dụng để thử nghiệm. Một phiên bản của K-gấp cross-xác nhận là người để lại trongCross-xác nhận (LOOCV) trong đó K là tương đương với số lượng mẫu tức là mỗi mẫu được sử dụng để thử nghiệm và phần còn lại của các mẫu được sử dụng để huấn luyện. Quá trình này được thực hiện cho đến khi tất cả các mẫu được thử nghiệm. Cho mô hình lựa chọn (lựa chọn tính năng hoặc loại) tập hợp đào tạo có thể được tiếp tục phân chia thành đào tạo và xác nhận bộ. Dự đoán của các thiết lập xác nhận là được sử dụng đểcủng cố việc lựa chọn mô hình. Năm [34] các tác giả giải quyết vấn đề của hơn phù hợp tìm thấy khi so sánh các lựa chọn tính năng được thực hiện. Các tác giả cho các phương pháp xác nhận đường có thể góp phần trên ước tính hiệu suất mô hình. Tác giả kiểm tra phương pháp SFS và SFFS trên datasets khác nhau với k-NN [18,6] loại như wrapper. Họ sử dụng các 2-fold và LOOCV xác nhận qua phương pháp để so sánh kết quả của hai tính năng lựa chọn thuật toán.

Kết quả (Việt) 2:

Nó cũng quan trọng để lựa chọn phương thức xác nhận (chính xác phân loại) để phân loại lựa chọn. Phương pháp này được gọi là cross-validation trong đó các dữ liệu đầu vào được chia thành đào tạo và thử nghiệm bộ và tập kiểm tra (vô hình theo phương pháp hoặc phân loại) được xác nhận đối với việc đào tạo thiết lập để kiểm tra xem phân loại có thể tái sản xuất nổi tiếng. Một số loại cross-validation được sử dụng trong văn học. Một trong những phương pháp đơn giản nhất là 2 lần qua xác nhận trong đó các dữ liệu được chia ngẫu nhiên thành đào tạo và thử nghiệm bộ. Một phần mở rộng của cross-validation 2 lần là cross-validation K-fold trong đó dữ liệu được chia ngẫu nhiên thành các tập con K. Đối với đào tạo K À 1 tập con được lựa chọn và các tập hợp con còn lại được sử dụng để thử nghiệm. Quá trình này được lặp lại cho đến khi tất cả các tập con được sử dụng để thử nghiệm. Một phiên bản của cross-validation K-fold là Leave-một trong ra ngoài
qua xác nhận (LOOCV) trong đó K là bằng với số lượng mẫu tức là mỗi mẫu được sử dụng để thử nghiệm và phần còn lại của các mẫu được sử dụng cho đào tạo. Quá trình này được thực hiện cho đến khi tất cả các mẫu được kiểm tra. Đối với mô hình lựa chọn (lựa chọn tính năng hoặc phân loại) tập huấn luyện có thể được phân chia sâu hơn vào đào tạo và xác nhận bộ. Các dự đoán của các tập hợp kiểm chứng được sử dụng để
củng cố các mô hình lựa chọn. Trong [34], các tác giả giải quyết vấn đề trên phù hợp được tìm thấy khi so sánh các lựa chọn tính năng được thực hiện. Các tác giả cho rằng các phương pháp cross-validation có thể đóng góp đến hơn ước tính thực hiện mô hình. Tác giả bài kiểm tra SFS và SFFS phương pháp trên các bộ dữ liệu khác nhau với k-NN [18,6] phân loại như các wrapper. Họ sử dụng 2 lần và LOOCV phương pháp cross-validation để so sánh kết quả của hai thuật toán lựa chọn tính năng.