1 IntroductionIn the last ten years

1 Introduction
In the last ten years machine-learning classifiers have b een applied to various
classification problems [5]. Nevertheless, almost no classifiers have b een employed
in real applications, esp ecially in critical domains. The main reason is that it is
difficult to determine whether a classification assigned to a particular instance is
reliable or not.
There are several approaches to classification reliability. They first estimate
some parameter(s) that are related to classification reliability. Then, the approaches learn a threshold on that parameter(s) to decide whether an instance
classification is reliable. The oldest approach used the p osterior probability of the
predicted class as a reliability parameter [3]. Unfortunately, this rather simple approach assumes an underlying distribution of the data, which is generally unknown
[6]. Newer approaches are based on the theory of randomness (cf. [5, 8, 10]). The
key idea is to classify a new instance so that when the instance is added to the
training data, the data show a level of randomness that is close to the level of randomness of the same data b efore the instance was added. The reliability parameter
is inversely prop ortional to the difference b etween the two levels of randomness.
In this pap er we prop ose a new approach to classification reliability. In contrast
to the previous approaches, ours is not based on classification-reliability parameter(s) and thus do es not require learning any thresholds.
The approach is applicable for binary classifiers. The key idea assumes that
we can maintain version spaces [7, 11] containing (close approximations of ) the
target classifiers. If the assumption is correct for the training data under consideration, the classification rule of unanimous voting applied on these version spaces
guarantees that the classification assigned to each instance is reliable.

ผลลัพธ์ (ไทย) 1:

บทนำ 1สิบปีเครื่องเรียนรู้คำนามภาษามี een b กับต่าง ๆการจัดประเภทปัญหา [5] อย่างไรก็ตาม คำนามภาษาเกือบไม่ได้จ้าง een bในการใช้งานจริง ecially esp ในโดเมนที่สำคัญ เป็นเหตุผลหลักที่เป็นเป็นเรื่องยากที่จะตรวจสอบว่าการจัดประเภทที่กำหนดให้กับอินสแตนซ์ที่เฉพาะเชื่อถือได้ หรือไม่มีหลายวิธีในการจัดประเภทความน่าเชื่อถือ พวกเขาประเมินก่อนบางพารามิเตอร์ที่เกี่ยวข้องกับการจัดประเภทความน่าเชื่อถือ แล้ว วิธีการเรียนรู้ขีดจำกัดบนที่พารามิเตอร์ในการตัดสินใจว่า อินสแตนซ์ประเภทคือเชื่อถือได้ ใช้วิธีเก่าแก่ที่สุดที่ p osterior น่าเป็นระดับคาดการณ์เป็นพารามิเตอร์ความน่าเชื่อถือ [3] อับ วิธีนี้ง่ายมากถือกระจายข้อมูล ซึ่งเป็นที่รู้จักโดยทั่วไปเป็นต้น[6] แนวทางใหม่ตามทฤษฎีของ randomness (มัทธิว [5, 8, 10]) ที่ความคิดสำคัญคือการ จัดประเภทอย่างใหม่นั้นว่าเมื่อเพิ่มอินสแตนซ์ข้อมูลการฝึกอบรม เข้ามาดูข้อมูลในระดับของ randomness ที่ระดับของ randomness เดียวข้อมูล b efore อินสแตนซ์ พารามิเตอร์ความน่าเชื่อถือได้ inversely prop ortional เพื่อ etween b ความแตกต่างในระดับที่สองของ randomnessในนี้บ เอ้อ เรา prop ให้ทราบ ose วิธีการความน่าเชื่อถือการจัดประเภทใหม่ ในทางตรงข้ามกับวิธีก่อนหน้านี้ เราไม่ขึ้นอยู่กับพารามิเตอร์การจัดประเภทความน่าเชื่อถือ และทำ es ไม่ต้องเรียนรู้ขีดจำกัดใด ๆวิธีการนี้สามารถใช้คำนามภาษาไบนารี ความคิดสำคัญสันนิษฐานที่เราสามารถรักษาช่องว่างรุ่น [7, 11] ประกอบด้วย (ปิดเพียงการประมาณของ)คำนามภาษาเป้าหมาย ถ้าสมมติฐานที่ถูกต้องสำหรับข้อมูลการฝึกอบรมภายใต้การพิจารณา กฎการจัดประเภทของการลงคะแนนเสียงเป็นเอกฉันท์ใช้ช่องว่างเหล่านี้รุ่นรับประกันว่า ประเภทที่กำหนดให้กับแต่ละอินสแตนซ์เชื่อถือได้

ผลลัพธ์ (ไทย) 2:

1
บทนำในช่วงสิบปีที่ผ่านลักษณนามการเรียนรู้เครื่องมีขeen
ต่างๆนำไปใช้กับปัญหาการจัดหมวดหมู่[5] แต่เกือบจะแยกแยะไม่ได้ een
ขลูกจ้างในการใช้งานจริงโดยเฉพาะecially ในโดเมนที่สำคัญ เหตุผลหลักคือว่ามันเป็นเรื่องยากที่จะตรวจสอบว่าการจัดหมวดหมู่ได้รับมอบหมายให้เช่นเฉพาะเป็นที่เชื่อถือได้หรือไม่. มีหลายวิธีที่จะมีการจัดหมวดหมู่ความน่าเชื่อถือ พวกเขาเป็นครั้งแรกประเมินบางพารามิเตอร์ (s) ที่เกี่ยวข้องกับการจัดหมวดหมู่ความน่าเชื่อถือ แล้ววิธีการเรียนรู้เกี่ยวกับเกณฑ์ที่พารามิเตอร์ (s) เพื่อตัดสินใจว่าตัวอย่างการจัดหมวดหมู่เป็นที่น่าเชื่อถือ วิธีการที่เก่าแก่ที่สุดที่ใช้น่าจะเป็นพี osterior ของระดับที่คาดการณ์ไว้เป็นพารามิเตอร์ความน่าเชื่อถือ[3] แต่น่าเสียดายที่วิธีการนี้ค่อนข้างง่ายถือว่าการกระจายพื้นฐานของข้อมูลที่ไม่เป็นที่รู้จักโดยทั่วไป[6] วิธีการที่ใหม่กว่าจะขึ้นอยู่กับทฤษฎีของการสุ่ม (cf [5, 8, 10]) ความคิดที่สำคัญคือการจำแนกตัวอย่างใหม่เพื่อที่ว่าเมื่ออินสแตนซ์จะถูกเพิ่มในข้อมูลการฝึกอบรมข้อมูลแสดงให้เห็นระดับของการสุ่มที่อยู่ใกล้กับระดับของการสุ่มของขข้อมูลเดียวกัน efore เช่นถูกเพิ่ม พารามิเตอร์ความน่าเชื่อถือเป็นที่ผกผันประคับประคอง ortional ความแตกต่างข etween ที่สองระดับของการสุ่ม. ในเอ้อเหลวนี้เราประคับประคองเซ่แนวทางใหม่ในการจัดหมวดหมู่ความน่าเชื่อถือ ในทางตรงกันข้ามกับวิธีการก่อนหน้านี้เราไม่ได้ขึ้นกับความน่าเชื่อถือพารามิเตอร์จำแนก (s) จึงไม่ ES ไม่จำเป็นต้องเรียนรู้เกณฑ์ใด ๆ . วิธีการที่จะใช้สำหรับการจําแนกไบนารี ความคิดที่สำคัญสมมติว่าเราสามารถรักษาช่องว่างรุ่น [7, 11] มี (ประมาณใกล้ชิดของ) คำลักษณนามเป้าหมาย หากสมมติฐานที่ถูกต้องสำหรับข้อมูลการฝึกอบรมภายใต้การพิจารณากฎการจัดหมวดหมู่ของการลงคะแนนเป็นเอกฉันท์ที่ใช้ในช่องว่างรุ่นเหล่านี้รับประกันได้ว่าการจัดหมวดหมู่ที่กำหนดให้กับแต่ละกรณีมีความน่าเชื่อถือ

ผลลัพธ์ (ไทย) 3:

1 บทนำ
ในช่วงสิบปีเครื่องเรียนรู้ลักษณนามมี een B ใช้กับปัญหา [ 5 ] หมวดหมู่ต่าง ๆ

อย่างไรก็ตาม แทบไม่มีคำลักษณนามมี een B ใช้
ในการใช้งานจริง , ESP ecially ในขอบเขตวิกฤต เหตุผลหลักคือ ว่า มันเป็นเรื่องยากที่จะตรวจสอบว่า
การจำแนกเป็นกลุ่มตัวอย่างโดยเฉพาะ

เชื่อถือได้หรือไม่มีหลายวิธีในการจำแนกความ พวกเขาประเมิน
บางพารามิเตอร์ ( s ) ที่เกี่ยวข้องกับหมวดหมู่ ) แล้ว วิธีเรียนรู้เกณฑ์ในพารามิเตอร์ ( s ) เพื่อตัดสินใจว่าอินสแตนซ์
การจำแนกเป็นที่เชื่อถือได้ วิธีการที่เก่าแก่ที่สุดที่ใช้ P osterior ความน่าจะเป็นของ
ทำนายว่าชั้นเป็นพารามิเตอร์ความน่าเชื่อถือ [ 3 ] ขออภัยวิธีการนี้ถือว่าค่อนข้างง่าย การกระจายของข้อมูล เป็นต้น ซึ่งโดยทั่วไปจะไม่รู้จัก
[ 6 ] วิธีใหม่จะขึ้นอยู่กับทฤษฎีของการสุ่ม ( CF . [ 5 , 8 , 10 )
คิดสำคัญคือการแบ่งตัวอย่างใหม่ดังนั้นเมื่อตัวอย่างมีการเพิ่มข้อมูล
การฝึกอบรม