Methods that attempt to approximate

Methods that attempt to approximate bias and variability of an estimator by using values on subsamples are called resampling methods. In jackknife resampling, the bias is estimated by systematically removing one datum each time (jackknifed) from the original data set and recalculating the estimator based on the residual samples (Quenouille, 1956). In a neural network application, each time a modeler trains the network, they assimilate into the test set data that have been jackknifed. This results in a separate neural network being tested on each subset of data and trained with all the remaining data. For jackknife resampling (and cross-validation) to be effective, comprehensive knowledge about the error distribution must be known (Priddy and Keller, 2005). In the absence of this knowledge, a normal distribution is assumed, and bootstrap resampling is used to deal with the small sample size. Efron (1979)

Kết quả (Việt) 1:

Phương pháp cố gắng để ước tính thiên vị và sự biến đổi của một ước tính bằng cách sử dụng giá trị trên subsamples được gọi là phương phương pháp. Jackknife phương, thiên vị được ước tính có hệ thống loại bỏ một trong những mốc đo lường mỗi thời gian (jackknifed) từ các thiết lập dữ liệu gốc và recalculating công cụ ước tính dựa trên các mẫu còn lại (Quenouille, 1956). Trong một ứng dụng mạng nơ-ron, mỗi khi xe lửa modeler một mạng, họ đồng hóa vào dữ liệu thiết lập thử nghiệm đã được jackknifed. Kết quả là một mạng lưới thần kinh riêng biệt đang thử nghiệm trên mỗi tập con của dữ liệu và được huấn luyện với tất cả các dữ liệu còn lại. Cho jackknife phương khu và cross-xác nhận có hiệu quả, các kiến thức toàn diện về phân phối lỗi phải được biết đến (Priddy và Keller, 2005). Trong sự vắng mặt của kiến thức này, giả sử là một phân phối bình thường và bootstrap phương được sử dụng để đối phó với các kích thước mẫu nhỏ. Efron (1979)

Kết quả (Việt) 2:

Phương pháp mà cố gắng để gần đúng sai lệch và thay đổi của một ước lượng bằng cách sử dụng các giá trị trên subsamples được gọi là phương pháp lấy mẫu lại. Trong dao xếp resampling, sự thiên vị được ước tính bằng cách loại bỏ hệ thống một mốc mỗi lần (jackknifed) từ tập dữ liệu ban đầu và tính toán lại các ước lượng dựa trên các mẫu còn lại (Quenouille, 1956). Trong một ứng dụng mạng nơron, mỗi lần một modeler đào tạo mạng, họ đồng hoá vào tập dữ liệu thử nghiệm đã được jackknifed. kết quả trong một mạng lưới thần kinh riêng biệt này đang được thử nghiệm trên mỗi tập con của dữ liệu và huấn luyện với tất cả các dữ liệu còn lại. Đối với dao xếp resampling (và qua xác nhận) để có hiệu quả, kiến ​​thức toàn diện về sự phân bố lỗi phải được biết đến (Priddy và Keller, 2005). Trong trường hợp không có kiến ​​thức này, một phân phối bình thường được giả định, và lấy mẫu lại bootstrap được sử dụng để đối phó với các kích thước mẫu nhỏ. Efron (1979)