Prediction FrameworkWe now pursue t

Prediction Framework
We now pursue the use of supervised learning to construct classifiers trained to predict depression in our two user classes. To avoid over fitting, we employ principal component analysis (PCA), although we report results for both all dimension-inclusive and dimension-reduced cases. We compare several different parametric and non-parametric binary classifiers to empirically determine the best suitable classification technique. The best performing classifier was found to be a Support Vector Machine classifier with a radial-basis function (RBF) kernel (Duda et al., 2000). For all of our analyses, we use 10-fold cross validation on the set of 476 users, over 100 randomized experimental runs.

ผลลัพธ์ (ไทย) 1:

คาดการณ์กรอบตอนนี้เราติดตามการใช้การเรียนรู้มีการสร้างคำนามภาษาเพื่อทำนายภาวะซึมเศร้าในผู้ใช้สองชั้นเรียนการฝึกอบรม เพื่อหลีกเลี่ยงการกระชับกว่า เราจ้างวิเคราะห์ส่วนประกอบหลัก (PCA), แม้ว่าเรารายงานผลกรณี ลดขนาด และขนาดรวมทั้งหมด เราเปรียบเทียบหลายแตกต่างกันไม่ใช่พาราเมตริก และพาราเมตริกนารีคำนามภาษา empirically กำหนดเทคนิคส่วนประเภทที่เหมาะสม ส่วนทำ classifier พบจะ classifier เครื่องสนับสนุนเวกเตอร์กับ kernel ฟังก์ชันฐานรัศมี (RBF) (Duda et al., 2000) ทั้งหมดของการวิเคราะห์ของเรา เราใช้ตรวจสอบไขว้ 10-fold ชุดผู้ 476 ไปทำงานทดลอง randomized 100

ผลลัพธ์ (ไทย) 3:

ทำนายตามกรอบ
ตอนนี้เราใช้แบบการเรียนรู้เพื่อสร้างคำทำนายภาวะซึมเศร้าในชั้นเรียนการฝึกอบรมผู้ใช้ของเราสอง เพื่อหลีกเลี่ยงการปรับพอดี เราจ้างการวิเคราะห์องค์ประกอบหลัก ( PCA ) แม้ว่าเราจะรายงานผล ทั้งมิติ และมิติการรวมคดีเราเปรียบเทียบหลายพารามิเตอร์และไม่ใช้พารามิเตอร์การใช้ลักษณนามว่าไบนารีโดยใช้เทคนิคที่เหมาะสมที่สุด มีประสิทธิภาพมากที่สุดส่วนขยายได้สนับสนุนเครื่องเวกเตอร์ลักษณนามกับฟังก์ชั่นพื้นฐานรัศมี ( RBF ) เคอร์เนล ( ดูดา et al . , 2000 ) ทั้งหมดของการวิเคราะห์ของเรา เราใช้ 10 โฟลดบนชุดของ แต่ผู้ใช้กว่า 100 คนวิ่งทดลอง