Two notes about the procedure in Fi

Two notes about the procedure in Figure 7-1: First, the choice of 70/30 split for training and testing is somewhat arbitrary, but is empirically a good practical ratio according to more detailed experiments. Second, note that Figure 7-1 does not describe how we search for the best feature set of size j in Step 2a. This is the subject of Section 7-3.
To evaluate the performance a feature selection algorithm is more complicated than to evaluate a feature set. This is because in order to evaluate an algorithm, we must first ask the algorithm to find the best feature subset. Second, to give a fair estimate of how well the feature selection algorithm performs, we should try the first step on different datasets. Therefore, the full procedure of evaluating the performance of a feature selection algorithm, which is described in Figure 7-2, has two layers of loops. The inner loop is to use an algorithm to find the best subset of features.
The outer loop is to evaluate the performance of the algorithm using different datasets.

Kết quả (Việt) 1:

Hai ghi chú về các thủ tục trong hình 7-1: đầu tiên, sự lựa chọn của 70/30 chia cho đào tạo và thử nghiệm là phần nào tùy ý, nhưng là empirically một tỷ lệ tốt thực tế theo thí nghiệm chi tiết hơn. Thứ hai, lưu ý rằng hình 7-1 không mô tả làm thế nào chúng tôi tìm kiếm các bộ tính năng tốt nhất của kích thước j trong bước 2a. Đây là chủ đề của phần 7-3.Để đánh giá hiệu suất một tính năng lựa chọn thuật toán là phức tạp hơn để đánh giá một bộ tính năng. Điều này là do để đánh giá một thuật toán, chúng tôi đầu tiên phải yêu cầu các thuật toán để tìm tập hợp tính năng tốt nhất. Thứ hai, để cung cấp cho một ước tính công bằng của các thuật toán tính năng lựa chọn thực hiện tốt như thế nào, chúng ta nên thử bước đầu tiên trên datasets khác nhau. Do đó, đầy đủ của các thủ tục đánh giá hiệu suất của một tính năng lựa chọn thuật toán, được mô tả trong hình 7-2, có hai lớp vòng. Vòng lặp bên trong là sử dụng một thuật toán để tìm tập hợp con tốt nhất của tính năng. Vòng ngoài là để đánh giá hiệu suất của các thuật toán sử dụng datasets khác nhau.