For some applications, it is often

For some applications, it is often important to get all the true labels predicted even with a few extra false positive predicted labels (e.g. fraud detection). Coverage is the metric that evaluates how far on average a learning algorithm need to go down in the ordered list of prediction
to cover all the true labels of an instance. Clearly, the smaller the value of coverage, the better the
performance.

Kết quả (Việt) 1:

Đối với một số ứng dụng, nó thường là quan trọng để có được tất cả các nhãn đúng dự đoán ngay cả với nhãn dự đoán một vài thêm sai tích cực (ví dụ như phát hiện gian lận). Phạm vi bảo hiểm là số liệu đánh giá như thế nào đến nay trung bình một thuật toán học cần phải đi xuống trong danh sách đã ra lệnh của dự đoánđể trang trải tất cả các nhãn đúng của một thể hiện. Rõ ràng, nhỏ hơn giá trị của bảo hiểm, thì tốt hơn cáchiệu suất.

Kết quả (Việt) 2:

Đối với một số ứng dụng, nó thường là quan trọng để có được tất cả các nhãn đúng dự đoán ngay cả với một vài thêm sai nhãn dự đoán dương tính (ví dụ như phát hiện gian lận). Bảo hiểm là thước đo để đánh giá như thế nào đến nay trung bình một thuật toán học cần phải đi xuống trong danh sách đặt hàng của các dự báo
để trang trải tất cả các nhãn thực sự của một cá thể. Rõ ràng, nhỏ hơn giá trị bảo hiểm, thì tốt hơn
hiệu suất.