Cross-validation, sometimes called

Cross-validation, sometimes called rotation estimation,[1][2][3] is a model validation technique for assessing how the results of a statistical analysis will generalize to an independent data set. It is mainly used in settings where the goal is prediction, and one wants to estimate how accurately a predictive model will perform in practice. In a prediction problem, a model is usually given a dataset of known data on which training is run (training dataset), and a dataset of unknown data (or first seen data) against which the model is tested (testing dataset).[4] The goal of cross validation is to define a dataset to "test" the model in the training phase (i.e., the validation dataset), in order to limit problems like overfitting, give an insight on how the model will generalize to an independent dataset (i.e., an unknown dataset, for instance from a real problem), etc.

ผลลัพธ์ (ไทย) 1:

ระหว่างตรวจสอบ บางครั้งเรียกว่าประเมินหมุน, [1] [2] [3] เป็นเทคนิคแบบสอบสำหรับประเมินว่าผลลัพธ์ของการวิเคราะห์ทางสถิติจะทั่วไปชุดข้อมูลเป็นอิสระ ส่วนใหญ่จะใช้ในการตั้งค่าที่เป้าหมายคาดเดา และใครอยากประเมินความแม่นยำแบบจำลองการคาดการณ์จะดำเนินการในทางปฏิบัตินั้น ในปัญหาพยากรณ์ แบบปกติได้ชุดข้อมูลของข้อมูลรู้จักฝึกการรัน (ชุดข้อมูลฝึกอบรม), และชุดข้อมูลของข้อมูลที่ไม่รู้จัก (หรือเห็นข้อมูลแรก) กับซึ่งเป็นทดสอบรูปแบบ (ชุดข้อมูลทดสอบ) [4] เป้าหมายของการข้ามการตรวจสอบจะกำหนดชุดข้อมูลเพื่อ "ทดสอบ" แบบในขั้นตอนการฝึกอบรม (เช่น ตรวจสอบชุดข้อมูล), เพื่อจำกัดปัญหาเช่น overfitting ให้ความเข้าใจในวิธีแบบจะทั่วไปจะมีชุดข้อมูลอิสระ (เช่น การรู้จักชุดข้อมูล ตัวอย่างจากปัญหาจริง) เป็นต้น

ผลลัพธ์ (ไทย) 2:

ข้ามการตรวจสอบบางครั้งเรียกว่าการประมาณค่าการหมุน [1] [2] [3] เป็นเทคนิคการตรวจสอบแบบจำลองสำหรับการประเมินว่าผลของการวิเคราะห์ทางสถิติจะคุยกับชุดข้อมูลที่เป็นอิสระ ส่วนใหญ่จะใช้ในการตั้งค่าที่เป้าหมายคือการคาดการณ์และหนึ่งต้องการที่จะประเมินว่าถูกต้องแบบจำลองการคาดการณ์จะดำเนินการในทางปฏิบัติ ในปัญหาการทำนายรูปแบบมักจะได้รับชุดของข้อมูลที่รู้จักกันที่การฝึกอบรมมีการเรียกใช้ (ชุดฝึกอบรม) และชุดของข้อมูลที่ไม่รู้จัก (หรือข้อมูลที่เห็นครั้งแรก) กับรูปแบบที่มีการทดสอบ (ชุดการทดสอบ). [4 ] เป้าหมายของการตรวจสอบข้ามคือการกำหนดชุดข้อมูลที่เป็น "ทดสอบ" รูปแบบในขั้นตอนการฝึกอบรม (เช่นชุดตรวจสอบ) เพื่อที่จะ จำกัด ปัญหาเช่น overfitting ให้ข้อมูลเชิงลึกเกี่ยวกับวิธีการรูปแบบจะคุยกับชุดข้อมูลที่อิสระ (คือเป็นชุดที่ไม่รู้จักเช่นจากปัญหาที่แท้จริง) ฯลฯ

ผลลัพธ์ (ไทย) 3:

ข้ามการตรวจสอบบางครั้งเรียกว่าค่าการหมุน , [ 1 ] [ 2 ] [ 3 ] คือ แบบตรวจสอบเทคนิคสำหรับการประเมินว่าผลของการวิเคราะห์ทางสถิติจะลงความเห็นเป็นอิสระชุดข้อมูล มันถูกใช้เป็นหลักในการตั้งค่าที่เป้าหมายคือการทำนาย และต้องการที่จะประเมินว่าถูกต้องเป็นแบบจำลองจะแสดงในการปฏิบัติ ในปัญหาพยากรณ์รูปแบบมักจะได้รับข้อมูลข้อมูลที่รู้จักกันซึ่งการฝึกวิ่ง ( ชุดข้อมูลการฝึกอบรม ) และข้อมูลข้อมูลที่ไม่รู้จัก ( หรือแรกเห็นข้อมูล ) ซึ่งเทียบกับแบบทดสอบ ( ทดสอบข้อมูล ) [ 4 ] เป้าหมายของข้ามการตรวจสอบคือการกำหนดวันที่ เพื่อ " ทดสอบ " รูปแบบใน ขั้นตอนการฝึกอบรม เช่น การตรวจสอบข้อมูล ) เพื่อจำกัดปัญหา overfitting ชอบ ,ให้ข้อมูลเชิงลึกเกี่ยวกับวิธีการที่จะหาข้อมูลแบบเป็นอิสระ ( เช่น มีข้อมูลที่ไม่รู้จัก เช่น จากปัญหาจริง ) ฯลฯ