To evaluate the classifier we use a

To evaluate the classifier we use a pre-quential evaluation
method, where we test an arriving instance first, and if we
decide to pay the cost for its label then we use it to update
the current model. In addition, we capture snapshots of the
performance at every 100 instances and not only the accuracy
but also the kappa statistic and the confusion matrix that we
use to asses the effect of the class imbalance on the minority
class.

ผลลัพธ์ (ไทย) 1:

การประเมินจำแนก เราใช้การประเมินผล pre-quentialวิธี ที่เราทดสอบอินสแตนซ์มาก่อน และถ้าเราตัดสินใจที่จะจ่ายค่าใช้จ่ายสำหรับป้ายชื่อของ แล้วเราใช้การปรับปรุงแบบจำลองปัจจุบัน นอกจากนี้ เราจับภาพรวมของการประสิทธิภาพการทำงานที่อินสแตนซ์ 100 ทุกและไม่เพียงแต่ความถูกต้องแต่ยังสถิติ kappa และเมตริกซ์ความสับสนที่เราใช้เพื่อประเมินผลกระทบของความไม่สมดุลของระดับบนส่วนน้อยชนชั้น

ผลลัพธ์ (ไทย) 2:

เพื่อประเมินลักษณนามที่เราใช้ในการประเมินผลก่อน quential
วิธีการที่เราทดสอบตัวอย่างที่เดินทางมาถึงก่อนและถ้าเรา
ตัดสินใจที่จะจ่ายค่าใช้จ่ายสำหรับฉลากแล้วเราจะใช้มันเพื่ออัปเดต
รุ่นปัจจุบัน นอกจากนี้เราจับภาพรวมของ
ผลการดำเนินงานในทุกกรณี 100 และไม่เพียง แต่ความถูกต้อง
แต่ยังสถิติ Kappa และเมทริกซ์ความสับสนที่เรา
ใช้ในการลาผลกระทบจากความไม่สมดุลของการเรียนในชนกลุ่มน้อย
ระดับ

ผลลัพธ์ (ไทย) 3:

เพื่อประเมินขนาดเราใช้ pre quential การประเมินผลวิธีการที่เราทดสอบมาถึงตัวอย่างแรก และถ้าเราตัดสินใจที่จะจ่ายค่าใช้จ่ายสำหรับฉลากของมันแล้ว เราใช้มันเพื่อปรับปรุงรุ่นปัจจุบัน นอกจากนี้ เราจับภาพรวมของการแสดงที่ทุก 100 อินสแตนซ์และไม่เพียง แต่ความถูกต้องแต่ยังนับว่าสถิติและเมทริกซ์ที่เราสับสนใช้เพื่อประเมินผลของระดับสมดุลในชนกลุ่มน้อยเรียน