I. INTRODUCTIONLEARNING to classify

I. INTRODUCTION
LEARNING to classify or to predict numerical values from prelabeled patterns is one of the central research topics in machine learning and data mining [1]–[4]. However, less attention has been paid to ordinal regression [(OR), also called ordinal classification] problems, where the labels of the target variable exhibit a natural ordering. In contrast to regression problems, in OR, the ranks are discrete and finite. These ranks are also different from the class targets in nominal classification problems due to the existence of ranking information. For example, grade labels have the ordering D ≺ C ≺ B ≺ A, where ≺ denotes the given order between the ranks. Therefore, OR is a learning problem in between the regression and nominal classification. Some of the fields where OR found application are medical research [5], [6], review ranking [7], econometric modeling [8], or sovereign credit ratings [9].
In statistics literature, the majority of the models are based on generalized linear models [10]. The proportional odds model (POM) [10] is a well-known statistical approach for OR, in which they rely on a specific distributional assumption on

Kết quả (Việt) 1:

I. GIỚI THIỆUHỌC để phân loại hoặc để dự đoán giá trị số từ prelabeled mô hình là một trong các chủ đề Trung tâm nghiên cứu trong máy học và khai thác dữ liệu [1]-[4]. Tuy nhiên, ít quan tâm đã được trả tiền để tự regression [(hoặc), cũng gọi là tự phân loại] vấn đề, nơi các nhãn của mục tiêu biến thể hiện một đặt hàng tự nhiên. Trái ngược với vấn đề hồi quy, tại OR, các cấp bậc là rời rạc và hữu hạn. Các cấp bậc cũng là khác nhau từ các mục tiêu lớp trong vấn đề phân loại trên danh nghĩa do sự tồn tại của xếp hạng thông tin. Ví dụ, lớp nhãn đã đặt hàng D ≺ C ≺ B ≺ A, nơi ≺ là bắt đơn đặt hàng nhất định giữa các cấp bậc. Vì vậy, hoặc là một vấn đề học tập ở giữa các hồi quy và phân loại trên danh nghĩa. Một số các lĩnh vực nơi hoặc tìm thấy ứng dụng nghiên cứu y học [5], [6], lại xếp hạng [7], mô hình kinh tế lượng [8] hoặc xếp hạng tín dụng có chủ quyền [9].Trong văn học thống kê, phần lớn các mô hình được dựa trên mô hình tuyến tính tổng quát [10]. Mô hình tỷ lệ cược tỷ lệ (POM) [10] là một cách tiếp cận thống kê nổi tiếng nhất, hoặc trong đó họ dựa vào một giả định distributional cụ thể trên

Kết quả (Việt) 2:

I. GIỚI THIỆU
LEARNING phân loại hoặc để dự đoán các giá trị số từ mô hình prelabeled là một trong những đề tài nghiên cứu trung tâm trong học máy và khai thác dữ liệu [1] - [4]. Tuy nhiên, ít người chú ý đến thứ tự hồi quy [(OR), cũng được gọi là thứ tự phân loại] vấn đề, ​​nơi các nhãn của các triển lãm biến mục tiêu một trật tự tự nhiên. Ngược lại với vấn đề hồi quy, trong OR, các cấp bậc là rời rạc và hữu hạn. Những cấp bậc cũng khác nhau từ các mục tiêu lớp học trong vấn đề phân loại danh nghĩa do sự tồn tại của bảng xếp hạng thông tin. Ví dụ, nhãn lớp có thứ tự D C ≺ ≺ ≺ B A, nơi ≺ biểu thị thứ tự nhất định giữa các cấp bậc. Vì vậy, OR là một vấn đề học tập ở giữa các hồi quy và phân loại danh nghĩa. Một số lĩnh vực có HOẶC tìm thấy ứng dụng đang nghiên cứu y học [5], [6], xem xét xếp hạng [7], mô hình kinh tế lượng [8], hoặc xếp hạng tín dụng chủ quyền [9].
Trong văn học thống kê, phần lớn các mô hình dựa trên các mô hình tuyến tính tổng quát [10]. Các tỷ lệ cược mô hình tỷ lệ thuận (POM) [10] là một phương pháp thống kê nổi tiếng với OR, trong đó họ dựa trên một giả định về phân phối cụ thể về