Compared to our boosted model, this

Compared to our boosted model, this version makes more mistakes overall: 37 percent error here versus 18 percent in the boosted case. However, the types of mistakes are very different. Where the previous models incorrectly classified only 42 and 61 percent of defaults correctly, in this model, 79 percent of the actual defaults were predicted to be non-defaults. This trade resulting in a reduction of false negatives at the expense of increasing false positives may be acceptable if our cost
estimates were accurate.

ผลลัพธ์ (ไทย) 1:

เมื่อเทียบกับรูปแบบของเราโปรโมท รุ่นนี้ช่วยให้การเพิ่มเติมความผิดพลาดโดยรวม: 37 เปอร์เซ็นต์ข้อผิดพลาดที่นี่เทียบกับร้อยละ 18 ในกรณีที่โปรโมท อย่างไรก็ตาม ชนิดของข้อผิดพลาดจะแตกต่างกันมาก ซึ่งรุ่นก่อนหน้านี้ถูกจัดเพียง 42 และร้อย ละ 61 ของค่าเริ่มต้น ถูกต้อง ในรูปแบบนี้ ร้อยละ 79 ของค่าเริ่มต้นที่แท้จริงถูกคาดการณ์จะ ไม่ใช่ค่าเริ่มต้น การค้านี้เป็นผลในการลดลงของลวงค่าใช้จ่ายเพิ่มผลบวกปลอมอาจยอมรับได้หากต้นทุนของเราประมาณการได้ถูกต้อง

ผลลัพธ์ (ไทย) 2:

เมื่อเทียบกับรูปแบบการเพิ่มขึ้นของเรารุ่นนี้ทำผิดมากขึ้นโดยรวม: ข้อผิดพลาดร้อยละ 37 เมื่อเทียบกับที่นี่ร้อยละ 18 ในกรณีที่ส่งเสริมการสร้างนั้น แต่ประเภทของความผิดพลาดที่แตกต่างกันมาก ที่รุ่นก่อนหน้านี้ไม่ถูกต้องจัดเพียง 42 และร้อยละ 61 ของการเริ่มต้นอย่างถูกต้องในรูปแบบนี้ร้อยละ 79 ของค่าเริ่มต้นที่เกิดขึ้นจริงที่ถูกคาดว่าจะเป็นค่าเริ่มต้นไม่ใช่- การค้านี้มีผลในการลดลงของปลอมเนกาทีฟที่ค่าใช้จ่ายของการเพิ่มบวกเท็จอาจจะเป็นที่ยอมรับได้ถ้าค่าใช้จ่ายของเรา
ประมาณการถูกต้อง

ผลลัพธ์ (ไทย) 3:

เทียบกับของเราเพิ่มขึ้น แบบรุ่นนี้ ทำให้พลาดมากขึ้นโดยรวม : 37 เปอร์เซ็นต์ความผิดพลาดที่นี่เมื่อเทียบกับร้อยละ 18 ในเพิ่มขึ้นกรณี อย่างไรก็ตาม ชนิดของข้อผิดพลาดที่แตกต่างกันมาก ซึ่งรุ่นก่อนหน้านี้ไม่ถูกต้อง จัด เพียง 42 และร้อยละ 61 ของการเริ่มต้นที่ถูกต้องในรูปแบบนี้ ร้อยละ 79 ของการเริ่มต้นที่เกิดขึ้นจริงถูกคาดการณ์ไว้ว่าจะต้องเริ่มต้นไม่ นี้การค้า ผลในการลดของเชิงลบเท็จที่ค่าใช้จ่ายของการเพิ่มผลบวกปลอมอาจจะยอมรับได้ หากต้นทุนของเราประมาณการได้แม่นยำ