For many domains, however, using mo

For many domains, however, using more sophisticated code matrices
can yield better results, at least in terms of error rate [1]. Although
we only conducted experiments using one-against-all, our
method is applicable to arbitrary code matrices. More experiments
are necessary to determine the best method for combining the binary
probability estimates in the general case. One open question
for future research is how to design an optimal code matrix for obtaining
accurate class membership probability estimates.

ผลลัพธ์ (ไทย) 1:

สำหรับหลายโดเมน อย่างไรก็ตาม โดยใช้เมทริกซ์รหัสที่ซับซ้อนมากขึ้นสามารถผลลัพธ์ดีกว่า น้อยในอัตราข้อผิดพลาด [1] ถึงแม้ว่าเราดำเนินการทดลองใช้หนึ่งต่อทั้งหมด เฉพาะของเราวิธีการกำหนดรหัสเมทริกซ์ได้ ทดลองเพิ่มเติมจำเป็นต้องกำหนดวิธีที่ดีที่สุดสำหรับรวมไบนารีความน่าเป็นประมาณในกรณีทั่วไป หนึ่งคำถามเปิดสำหรับการวิจัยในอนาคตเป็นวิธีการออกแบบเมทริกซ์การรหัสที่เหมาะสมที่สุดสำหรับการได้รับความน่าเป็นสมาชิกของคลาสที่ถูกต้องประเมิน

ผลลัพธ์ (ไทย) 2:

สำหรับหลายโดเมน
แต่การฝึกอบรมโดยใช้รหัสที่ซับซ้อนมากขึ้นสามารถให้ผลผลิตผลลัพธ์ที่ดีกว่าอย่างน้อยในแง่ของอัตราความผิดพลาด[1] ถึงแม้ว่าเราจะดำเนินการทดลองใช้อย่างใดอย่างหนึ่งกับทั้งหมดของเราเป็นวิธีการที่ใช้บังคับกับการฝึกอบรมโค้ด การทดลองอื่น ๆมีความจำเป็นที่จะต้องกำหนดวิธีการที่ดีที่สุดสำหรับการรวมไบนารีประมาณการความน่าจะเป็นในกรณีทั่วไป คำถามหนึ่งที่เปิดกว้างสำหรับการวิจัยในอนาคตเป็นวิธีการออกแบบเมทริกซ์รหัสที่ดีที่สุดสำหรับการได้รับการประมาณการความน่าจะเป็นสมาชิกระดับที่ถูกต้อง

ผลลัพธ์ (ไทย) 3:

หลายโดเมน แต่การใช้ที่ซับซ้อนมากขึ้นรหัสเมทริกซ์
สามารถให้ผลที่ดีขึ้น อย่างน้อยก็ในแง่ของอัตราความผิดพลาด [ 1 ] แม้ว่า
เรานำไปสู่การทดลองใช้กับวิธีการของเรา
ใช้ได้กับเมทริกซ์รหัสโดยพลการ เพิ่มเติมการทดลอง
จำเป็นเพื่อกำหนดวิธีการที่ดีที่สุดสำหรับการประมาณความน่าจะเป็นไบนารี
ในกรณีทั่วไป คำถามเปิด
สำหรับงานวิจัยในอนาคตคือวิธีการออกแบบเมทริกซ์รหัสที่เหมาะสมสำหรับการประมาณความน่าจะเป็นที่ถูกต้องสมาชิกเรียน

.