drift, where a chosen model varies

drift, where a chosen model varies throughout the learning process. As the number
of training points increases, more complex models tend to fit data better and are
therefore selected over simpler models. Since the selection of training input points
depends on the model, the training points chosen for a simpler model in the early
stages could be less useful for the more complex model selected at the end of the
learning process. Due to model drift, portions of training points are gathered for
different models, resulting in the training data being not well suited for any of the
models. However, because the selection of the final model is unclear at the onset,
one possibility is to select training input points with respect to multiple models [52],
by optimizing the training data for all the models:

ผลลัพธ์ (ไทย) 1:

ดริฟท์ แบบท่านไปจนตลอดกระบวนการเรียนรู้ที่ เป็นหมายเลขของจุดเพิ่มขึ้นการฝึกอบรม รุ่นที่ซับซ้อนมักจะ fit ข้อมูลดี และมีดังนั้น เลือกผ่านรูปแบบเรียบง่าย ตั้งแต่การเลือกจุดป้อนข้อมูลการฝึกอบรมขึ้นอยู่กับแบบ สถานฝึกอบรมที่เลือกแบบที่เรียบง่ายในช่วงขั้นตอนอาจมีประโยชน์น้อยในแบบซับซ้อนที่เลือกในตอนท้ายของการกระบวนการเรียนรู้ รวบรวมจากรุ่นดริฟท์ บางส่วนของสถานฝึกอบรมสำหรับแบบที่แตกต่าง ในข้อมูลการฝึกอบรมไม่เหมาะสำหรับการใด ๆรูปแบบจำลอง อย่างไรก็ตาม เนื่อง จากการเลือกแบบ final ไม่ชัดเจน อย่างความเป็นไปได้ที่หนึ่งคือการ เลือกจุดป้อนเข้าฝึกอบรมกับหลายรุ่น [52],โดยการเพิ่มข้อมูลการฝึกอบรมสำหรับรุ่นทั้งหมด:

ผลลัพธ์ (ไทย) 2:

ดริฟท์ที่ได้รับการคัดเลือกรูปแบบแตกต่างกันไปตลอดทั้งกระบวนการเรียนรู้ ขณะที่จำนวน
ของการฝึกอบรมชี้การเพิ่มขึ้นของรูปแบบที่ซับซ้อนมากขึ้นมีแนวโน้มที่จะสายข้อมูลทีดีกว่าและ
ดังนั้นจึงเลือกที่ง่ายกว่ารุ่น ตั้งแต่การเลือกจุดการป้อนข้อมูลการฝึกอบรม
ขึ้นอยู่กับรูปแบบการฝึกอบรมจุดเลือกสำหรับรูปแบบที่เรียบง่ายในช่วงต้น
ขั้นตอนอาจจะมีประโยชน์น้อยสำหรับรูปแบบที่ซับซ้อนมากขึ้นที่เลือกในตอนท้ายของ
กระบวนการเรียนรู้ เนื่องจากการดริฟท์แบบบางส่วนของจุดที่การฝึกอบรมจะรวมตัวกันเพื่อ
รูปแบบที่แตกต่างกันส่งผลให้ข้อมูลการฝึกอบรมเป็นไม่เหมาะสำหรับการใด ๆ ของ
รุ่น แต่เนื่องจากการเลือกรูปแบบสายเอ็นไม่มีความชัดเจนที่เริ่มมีอาการที่
หนึ่งเป็นไปได้คือการเลือกจุดการป้อนข้อมูลการฝึกอบรมเกี่ยวกับการหลายรูปแบบ [52],
โดยการเพิ่มประสิทธิภาพข้อมูลการฝึกอบรมสำหรับทุกรูปแบบ:

ผลลัพธ์ (ไทย) 3:

ลอยที่เลือกรูปแบบแตกต่างกันไปตลอดทั้งกระบวนการการเรียนรู้ เป็นหมายเลข
ฝึกจุด เพิ่มขึ้นรูปแบบซับซ้อนมากขึ้นมีแนวโน้มที่จะถ่ายทอดข้อมูลที่ดีกว่า และถูกกว่าง่ายกว่า
จึงเลือกรุ่น ตั้งแต่การเลือกฝึกอบรมการป้อนข้อมูลคะแนน
ขึ้นอยู่กับรูปแบบการเลือกจุดแบบง่ายในช่วงต้น
ขั้นตอนอาจจะมีประโยชน์น้อยเพื่อที่ซับซ้อนมากขึ้นรูปแบบเลือกในตอนท้ายของ
กระบวนการการเรียนรู้ เนื่องจากแบบล่องลอย ส่วนของจุดฝึกอบรมมา
โมเดลที่แตกต่างกันส่งผลให้ข้อมูลฝึกไม่เหมาะสำหรับการใด ๆของ
รุ่น อย่างไรก็ตาม เนื่องจากการถ่ายทอดรูปแบบของนาล ไม่ชัดเจนใน onset
หนึ่งเป็นไปได้คือการเลือกจุดเข้าฝึกอบรมด้วยความเคารพหลายรุ่น [ 52 ] ,
โดยการเพิ่มข้อมูลการฝึกอบรมสำหรับทุกรุ่น :