Roy and McCallum [8] describe a met

Roy and McCallum [8] describe a method to directly
maximize the expected error rate reduction, by estimating
the future error rate by a loss function. The loss functions
help the learner to select those instances that maximize the
confidence of the learner about the unlabeled data. Rather
than estimating the expected error on the full distribution,
this algorithm estimates it over a sample in the pool. The
authors base their class probability estimates and classification
on naive Bayes, however SVMs or other models with complex
parameter space are also recommended.

ผลลัพธ์ (ไทย) 1:

รอยและ McCallum [8] อธิบายวิธีการโดยตรงเพิ่มลดอัตราข้อผิดพลาดที่คาดไว้ โดยประมาณอัตราข้อผิดพลาดในอนาคต โดยสูญเสียฟังก์ชัน ฟังก์ชันขาดทุนช่วยให้ผู้เรียนเลือกอินสแตนซ์เหล่านั้นที่ขยายตัวความเชื่อมั่นของผู้เรียนเกี่ยวกับข้อมูลที่ไม่ ค่อนข้างกว่าการประเมินข้อผิดพลาดที่คาดไว้ในการกระจายเต็มอัลกอริทึมนี้ประเมินได้มากกว่าอย่างในสระว่ายน้ำ ที่ผู้เขียนพื้นฐานการประเมินความน่าเป็นชั้นและการจัดประเภทในขำน่า Bayes ไร SVMs หรือรุ่นอื่น ๆ ที่ มีซับซ้อนพารามิเตอร์พื้นที่ยังได้แนะนำ

ผลลัพธ์ (ไทย) 2:

และรอยแม็กคอล [8] อธิบายวิธีการในการโดยตรงเพิ่มลดอัตราความผิดพลาดที่คาดว่าจะโดยการประมาณอัตราการเกิดข้อผิดพลาดในอนาคตโดยฟังก์ชั่นการสูญเสีย ฟังก์ชั่นการสูญเสียช่วยให้ผู้เรียนสามารถเลือกอินสแตนซ์ที่เพิ่มความเชื่อมั่นของผู้เรียนเกี่ยวกับข้อมูลที่ไม่มีป้ายกำกับ แต่กว่าประมาณการที่คาดว่าจะเกิดข้อผิดพลาดในการกระจายเต็มรูปแบบขั้นตอนวิธีนี้ประเมินว่ามากกว่าตัวอย่างในสระว่ายน้ำ ผู้เขียนน่าจะเป็นฐานการประมาณการการเรียนและการจัดหมวดหมู่ของพวกเขาในวันที่ไร้เดียงสา Bayes แต่ SVMs หรือรูปแบบอื่น ๆ ที่มีความซับซ้อนพื้นที่พารามิเตอร์ยังมีการแนะนำ

ผลลัพธ์ (ไทย) 3:

รอยและ McCallum [ 8 ] อธิบายวิธีการโดยตรง
เพิ่มคาดอัตราความผิดพลาดลดลง โดยการประเมิน
อัตราความผิดพลาดในอนาคต โดยการสูญเสียฟังก์ชัน ฟังก์ชันการสูญเสีย
ช่วยให้ผู้เรียนเลือกอินสแตนซ์ ที่เพิ่มความมั่นใจ
ของผู้เรียนเกี่ยวกับข้อมูลที่ใกล้เคียงกัน ค่อนข้าง
กว่าประมาณคาดว่าข้อผิดพลาดในการกระจายเต็ม
ขั้นตอนวิธีนี้ประมาณการผ่านตัวอย่างในสระว่ายน้ำ
เขียนฐานเรียนการประมาณความน่าจะเป็นและการจำแนก
บน Naive Bayes อย่างไรก็ตามแบบหรือรุ่นอื่น ๆที่มีพื้นที่พารามิเตอร์ที่ซับซ้อน

ยังแนะนำ