We develop a novel algorithm that d

We develop a novel algorithm that draws samples according to the current allocation estimate, refines variance estimates and consequent allocation estimates based on these samples, and then iterates until a convergence criterion is satisfied. This algorithm is “online” in the machine learning sense that the feedback it has received so far via the label judgments influences the next set of samples that are drawn. Our algorithm exploits this feedback to draw a total number of samples that are near-optimal given a chosen stratification strategy

ผลลัพธ์ (ไทย) 1:

เราพัฒนาอัลกอริทึมนวนิยายที่วาดตัวอย่างตามการประเมินของการปันส่วนปัจจุบัน บรรยากาศประเมินผลต่างและการประเมินผลลัพธ์การปันส่วนตามตัวอย่างเหล่านี้ และจากนั้น คำนวณซ้ำจนกว่าเงื่อนไขการลู่เข้าเป็นพอ อัลกอริทึมนี้เป็น "ออนไลน์" ในเครื่องเรียนให้ผลป้อนกลับได้รับจนผ่านอิทธิพลตัดสินป้ายชุดถัดไปของตัวอย่างที่จะดึงความรู้สึก อัลกอริทึมของเรานำคำติชมนี้เพื่อวาดจำนวนตัวอย่างที่จะกำหนดกลยุทธ์สาระท่านใกล้ดีที่สุด

ผลลัพธ์ (ไทย) 2:

เราพัฒนาอัลกอริทึมใหม่ที่ดึงตัวอย่างตามประมาณการจัดสรรปัจจุบันกลั่นประมาณการแปรปรวนและประมาณการผลเนื่องมาจากการจัดสรรตามตัวอย่างนี้แล้ว iterates จนถึงเกณฑ์ที่บรรจบกันเป็นที่พอใจ ขั้นตอนวิธีนี้เป็น "ออนไลน์" ในแง่การเรียนรู้เครื่องที่ข้อเสนอแนะที่ได้รับเพื่อให้ห่างไกลผ่านทางป้ายที่มีอิทธิพลต่อการตัดสินชุดต่อไปของกลุ่มตัวอย่างที่มีการวาด ขั้นตอนวิธีการใช้ประโยชน์จากข้อเสนอแนะของเรานี้การวาดจำนวนของกลุ่มตัวอย่างที่มีความใกล้เคียงกับที่ดีที่สุดที่กำหนดกลยุทธ์การแบ่งชั้นได้รับการแต่งตั้ง

ผลลัพธ์ (ไทย) 3:

เราพัฒนานิยายขั้นตอนวิธีที่วาดตัวอย่างตามประมาณการจัดสรรในปัจจุบัน เริ่มจากการประมาณความแปรปรวนและประมาณการบนพื้นฐานของตัวอย่างเหล่านี้ และจากนั้น กล่าวย้ำถึงการลู่เข้าเกณฑ์จะพอใจขั้นตอนวิธีนี้เป็น " ออนไลน์ " ในการเรียนรู้เครื่องรู้สึกว่าความคิดเห็นที่ได้รับเพื่อให้ห่างไกลผ่านป้ายตัดสินอิทธิพลชุดต่อไปของตัวอย่างที่วาด ขั้นตอนวิธีของเราใช้ประโยชน์จากข้อมูลนี้เพื่อวาดจำนวนตัวอย่างที่ใกล้ที่สุดได้รับการเลือกกลยุทธ์