It is important to validate a class

It is important to validate a classifier, that is, to measure its classification error
rate, before deciding to use it for an application. Consider an example of a classification
problemwhere a classifier has to predict, based on some inputs (the exact
inputs are not relevant here), whether a person is suffering from a particular disease
X or not. A positive prediction says that the person has the disease, and a
negative prediction says the person does not have the disease. (The terminology
of positive/negative prediction can be used for any binary classification problem,
not just disease classification.)

ผลลัพธ์ (ไทย) 1:

มันเป็นสิ่งสำคัญในการตรวจสอบลักษณนามว่าเป็นข้อผิดพลาดในการวัดอัตราการจัดหมวดหมู่ของ
ก่อนที่จะตัดสินใจที่จะใช้สำหรับการประยุกต์ใช้ พิจารณาตัวอย่างของการจัดหมวดหมู่
problemwhere ลักษณนามมีการทำนายบนพื้นฐานของปัจจัยการผลิตบางอย่าง (
ปัจจัยการผลิตที่แน่นอนไม่เกี่ยวข้องที่นี่) ไม่ว่าจะเป็นคนที่ทุกข์ทรมานจากโรคโดยเฉพาะอย่างยิ่ง
x หรือไม่การคาดการณ์ในเชิงบวกกล่าวว่าคน ๆ นั้นมีโรคและการคาดการณ์เชิงลบ
พูดว่าคนที่ไม่ได้มีโรค (
คำศัพท์ของการทำนายบวก / ลบสามารถนำมาใช้สำหรับปัญหาการจัดหมวดหมู่ใดไบนารี
ไม่ได้จัดหมวดหมู่ของโรคเพียง.)

ผลลัพธ์ (ไทย) 2:

มันเป็นสิ่งสำคัญ เพื่อตรวจสอบ classifier นั่นคือ การวัดความผิดพลาดประเภท
อัตรา ก่อนที่จะตัดสินใจที่จะใช้สำหรับโปรแกรมประยุกต์ พิจารณาตัวอย่างของการจัดประเภท
problemwhere classifier ที่ได้คาดการณ์ ตามอินพุตบาง (ตรง
อินพุตไม่เกี่ยวนี่), ไม่ ว่าคนจะทุกข์ทรมานจากโรคเฉพาะ
X หรือไม่ การคาดการณ์ในเชิงบวกกล่าวว่า ผู้ที่มีโรค และ
ทำนายลบกล่าวว่า ผู้ไม่มีโรค (คำศัพท์
ของการคาดการณ์บวก/ลบสามารถใช้สำหรับปัญหาประเภทไบนารี,
ไม่ใช่แค่โรคประเภทได้)

ผลลัพธ์ (ไทย) 3:

เป็นเรื่องสำคัญที่จะต้องตรวจสอบข้าวที่อยู่ในการวัดการจำแนก ประเภท การเกิดข้อผิดพลาด
อัตราดอกเบี้ยก่อนการตัดสินใจที่จะใช้สำหรับแอปพลิเคชันได้ พิจารณาคือตัวอย่างหนึ่งของการแบ่ง ประเภท problemwhere
ซึ่งจะช่วยให้ข้าวที่มีการทำนายตามอินพุต(ที่แน่นอน
อินพุตที่ไม่เกี่ยวข้องกับที่นี่)ไม่ว่าจะเป็นบุคคลที่ได้รับความทุกข์ทรมานจากโรคเฉพาะ
ซึ่งจะช่วย x หรือไม่การคาดการณ์ในเชิงบวกที่กล่าวว่าบุคคลที่มีโรคและการคาดการณ์ในทางลบ
กล่าวว่าบุคคลที่ไม่มีโรคนี้ (สามารถใช้
ซึ่งจะช่วยแก้ปัญหาในเชิงบวก/ลบการทำนายสามารถใช้สำหรับการแบ่ง ประเภท ไบนารีที่
ไม่ใช่แค่โรคการแบ่ง ประเภท )