First, let us clarify how to evalua

First, let us clarify how to evaluate the performance of a set of input features. In this chapter we use a very conservative form of feature set evaluation in order to avoid overfitting. This is important. Even if feature sets are evaluated by testset cross-validation or leave-one-out cross validation, an exhaustive search of possible feature-sets is likely to find a misleadingly wellscoring feature-set by chance. To prevent this, we use the cascaded cross-validation procedure in Figure 7-1, which selects from increasingly large sets of features (and thus from increasingly large model classes). The score for the best feature set of a given size is computed by an independent cross-validation from the score for the best size of feature set.

Kết quả (Việt) 1:

Trước tiên, hãy để chúng tôi làm rõ làm thế nào để đánh giá hiệu suất của một tập hợp các tính năng đầu vào. Trong chương này, chúng tôi sử dụng một hình thức rất bảo thủ của tính năng thiết lập đánh giá để tránh overfitting. Điều này là quan trọng. Ngay cả khi bộ tính năng được đánh giá bởi testset cross-xác nhận hoặc để lại-một-out qua xác nhận, một tìm kiếm đầy đủ của bộ tính năng có thể có khả năng để tìm một thoảng wellscoring tính năng-thiết lập bởi cơ hội. Để ngăn chặn điều này, chúng tôi sử dụng các thủ tục xác nhận đường ghép tầng trong hình 7-1, mà chọn từ bộ ngày càng lớn của tính năng (và vì thế ngày càng lớn mô hình học). Số điểm cho bộ tính năng tốt nhất của một kích thước nhất định được tính bởi một đường xác nhận độc lập từ các điểm kích thước tốt nhất của tính năng thiết lập.

Kết quả (Việt) 2:

Đầu tiên, chúng ta hãy làm rõ làm thế nào để đánh giá hiệu suất của một tập hợp các tính năng đầu vào. Trong chương này chúng tôi sử dụng một hình thức rất bảo thủ của việc đánh giá tính năng thiết lập để tránh overfitting. Điều này là quan trọng. Ngay cả khi bộ tính năng được đánh giá bởi testset cross-validation hoặc để lại-một-ra xác nhận thập giá, tìm kiếm toàn diện có thể tính năng bộ là khả năng tìm thấy một cách sai lạc wellscoring tính năng thiết lập bởi cơ hội. Để ngăn chặn điều này, chúng tôi sử dụng các thủ tục qua xác nhận phân tầng ở Hình 7-1, trong đó lựa chọn từ bộ ngày càng lớn các tính năng (và do đó từ lớp mô hình ngày càng lớn). Điểm số cho tính năng thiết lập tốt nhất của một kích thước nhất định được tính bằng một cross-validation độc lập với tỷ số cho kích thước tốt nhất của tính năng thiết lập.