6) K-fold cross-validation with str

6) K-fold cross-validation with stratified sampling:
Finally, K-fold cross-validation with stratified sampling is
used to test the SVM classification model and estimate its
predictive performance. K=10 was chosen for optimal model
estimation from real-world data [8]. The data set is
partitioned into 10 subsets using stratified sampling where
the class distribution in each subset, i.e. proportion of PD to
control data points, is the same as the distribution in the
entire data set. In each of 10 iterations, one subset is retained
as testing data for the model, and the remaining nine subsets
are used to train the model. Performing multiple repetitions
of the cross-validation process checks for overfitting of the
model, where the model fits the training data very well, but
performs poorly in predicting class labels for new data.
Overall performance of the model is obtained by averaging
the performance over the 10 rounds.

ผลลัพธ์ (ไทย) 1:

6 K-พับข้ามตรวจสอบกับ stratified สุ่มตัวอย่าง:ในที่สุด สอบข้าม K-พับกับ stratified สุ่มเป็นใช้ในการทดสอบแบบจำลองประเภท SVM และประเมินความประสิทธิภาพของงาน K = 10 ถูกเลือกสำหรับรูปแบบที่เหมาะสมประเมินจากข้อมูลจริง [8] เป็นชุดข้อมูลแบ่งออกเป็น 10 ชุดย่อยใช้ stratified สุ่มที่การกระจายชั้นเรียนในแต่ละชุดย่อย เช่นสัดส่วนของ PD เพื่อควบคุมจุดข้อมูล เหมือนกับการกระจายในการชุดข้อมูลทั้งหมด ในแต่ละแผน 10 ย่อยหนึ่งจะถูกเก็บไว้เป็นการทดสอบข้อมูลแบบจำลอง และย่อย 9 เหลือใช้การฝึกแบบ การทำซ้ำหลาย ๆการตรวจสอบกระบวนการตรวจสอบข้ามสำหรับ overfitting ของรูปแบบ ที่แบบเหมาะสมกับข้อมูลการฝึกอบรมเป็นอย่างดี แต่ดำเนินงานในการทำนายระดับป้ายชื่อสำหรับข้อมูลใหม่โดยรวม ประสิทธิภาพของรูปแบบได้รับ โดยหาค่าเฉลี่ยประสิทธิภาพมากกว่า 10 รอบ

ผลลัพธ์ (ไทย) 2:

6) K-พับการตรวจสอบข้ามกับการสุ่มตัวอย่างแบบแบ่งชั้น:
ในที่สุด
K-พับการตรวจสอบข้ามกับการสุ่มตัวอย่างแบบแบ่งชั้นจะใช้ในการทดสอบรูปแบบการจัดหมวดหมู่SVM
และประมาณการของประสิทธิภาพตามที่คาด K = 10
เป็นทางเลือกสำหรับรูปแบบที่เหมาะสมประมาณค่าจากข้อมูลที่แท้จริงของโลก[8] ชุดข้อมูลจะถูกแบ่งออกเป็น 10 ส่วนย่อยโดยใช้การสุ่มตัวอย่างแบบแบ่งชั้นที่กระจายในระดับย่อยแต่ละสัดส่วนของPD คือการควบคุมจุดข้อมูลเป็นเช่นเดียวกับการจัดจำหน่ายในที่ชุดข้อมูลทั้งหมด ในแต่ละ 10 ซ้ำหนึ่งเซตจะถูกเก็บไว้เป็นข้อมูลสำหรับการทดสอบรูปแบบและที่เหลืออีกเก้าส่วนย่อยที่ใช้ในการฝึกอบรมรุ่น การแสดงซ้ำหลายของการตรวจสอบขั้นตอนการตรวจสอบข้ามสำหรับ overfitting ของรุ่นที่รูปแบบที่เหมาะกับข้อมูลการฝึกอบรมเป็นอย่างดีแต่มีประสิทธิภาพต่ำในการทำนายป้ายชั้นเรียนสำหรับข้อมูลใหม่. ผลการดำเนินงานโดยรวมของรูปแบบจะได้รับโดยเฉลี่ยผลการดำเนินงานในช่วงที่10 รอบ

ผลลัพธ์ (ไทย) 3:

6 ) k-fold ข้ามการตรวจสอบกับ Stratified Sampling :
ในที่สุด k-fold ข้ามการตรวจสอบกับ Stratified Sampling เป็น
ใช้ทดสอบและประเมินประสิทธิภาพในการทำนายแบบ SVM หมวดหมู่ของมัน

K = 10 ถูกเลือกสำหรับการประมาณแบบจำลอง
ที่ดีที่สุดจากข้อมูลที่เป็นจริง [ 8 ] ชุดข้อมูลจะแบ่งเป็น 10 ส่วนย่อยแบ่ง

ใช้ที่กระจายในแต่ละคลาสย่อยตัวอย่าง เช่น6 ) k-fold ข้ามการตรวจสอบกับ Stratified Sampling :
ในที่สุด k-fold ข้ามการตรวจสอบกับ Stratified Sampling เป็น
ใช้ทดสอบและประเมินประสิทธิภาพในการทำนายแบบ SVM หมวดหมู่ของมัน

K = 10 ถูกเลือกสำหรับการประมาณแบบจำลอง
ที่ดีที่สุดจากข้อมูลที่เป็นจริง [ 8 ] ชุดข้อมูลจะแบ่งเป็น 10 ส่วนย่อยแบ่ง

ใช้ที่กระจายในแต่ละคลาสย่อยตัวอย่าง เช่น6 ) k-fold ข้ามการตรวจสอบกับ Stratified Sampling :
ในที่สุด k-fold ข้ามการตรวจสอบกับ Stratified Sampling เป็น
ใช้ทดสอบและประเมินประสิทธิภาพในการทำนายแบบ SVM หมวดหมู่ของมัน

K = 10 ถูกเลือกสำหรับการประมาณแบบจำลอง
ที่ดีที่สุดจากข้อมูลที่เป็นจริง [ 8 ] ชุดข้อมูลจะแบ่งเป็น 10 ส่วนย่อยแบ่ง

ใช้ที่กระจายในแต่ละคลาสย่อยตัวอย่าง เช่น