For the seven data sets we examined

For the seven data sets we examined, model selection using
1k validation sets was nearly as good as optimal model
selection using the final test sets.
Ensemble selection uses forward stepwise selection to select
a subset of models that optimize the ensemble’s AUC
performance. Using a variety of learning algorithms and parameters
for these algorithms proved to be an effective way of
generating a collection of diverse, high quality models, some
of which have excellent AUC. In our experiments with seven
test problems, ensemble selection consistently found ensembles
that had better AUC than the best models trained with
any of the learning method, including models trained with
bagging and boosting.

ผลลัพธ์ (ไทย) 1:

สำหรับชุดข้อมูลเจ็ดที่เราตรวจสอบ รุ่นที่เลือกใช้ชุดตรวจสอบเค 1 มีรูปแบบที่เหมาะสมเกือบเหมือนเลือกใช้ชุดทดสอบขั้นสุดท้ายเลือกวงดนตรีใช้ stepwise เลือกไปข้างหน้าเพื่อเลือกเซตย่อยของแบบจำลองที่ปรับ AUC ของวงดนตรีประสิทธิภาพของ ใช้ของอัลกอริทึมและพารามิเตอร์ในการเรียนรู้สำหรับอัลกอริทึมเหล่านี้พิสูจน์แล้วว่าเป็นวิธีมีประสิทธิภาพของสร้างชุดของแบบจำลองคุณภาพสูง หลากหลาย บางซึ่งมี AUC แห่ง ในการทดลองของเรากับเจ็ดทดสอบปัญหา เลือกวงดนตรีแชมเบอร์ที่พบอย่างต่อเนื่องที่มี AUC ดีกว่ารุ่นดีที่สุดการฝึกอบรมด้วยของวิธีการเรียนรู้ รวมทั้งรูปแบบการฝึกอบรมด้วยเย็บถุง และส่งเสริม

ผลลัพธ์ (ไทย) 2:

สำหรับชุดข้อมูลเจ็ดเราตรวจสอบการเลือกรูปแบบการใช้
1k
ชุดการตรวจสอบเป็นเวลาเกือบดีเท่ารูปแบบที่เหมาะสมการเลือกใช้ชุดทดสอบขั้นสุดท้าย.
การเลือกใช้ชุดเลือกแบบขั้นตอนไปข้างหน้าเพื่อเลือกส่วนหนึ่งของที่เพิ่มประสิทธิภาพ AUC ของวงดนตรีประสิทธิภาพ โดยใช้ความหลากหลายของการเรียนรู้ขั้นตอนวิธีและพารามิเตอร์สำหรับขั้นตอนวิธีการเหล่านี้พิสูจน์แล้วว่าเป็นวิธีที่มีประสิทธิภาพในการสร้างคอลเลกชันที่มีความหลากหลายของรูปแบบที่มีคุณภาพสูงบางคนที่มีAUC ที่ดีเยี่ยม ในการทดลองของเราที่มีเจ็ดทดสอบปัญหาการเลือกชุดตระการตาอย่างต่อเนื่องพบว่ามีAUC ดีกว่ารุ่นที่ดีที่สุดได้รับการฝึกฝนกับใดๆ ของวิธีการเรียนรู้รวมทั้งรูปแบบการฝึกอบรมที่มีการบรรจุถุงและเพิ่ม

ผลลัพธ์ (ไทย) 3:

สำหรับเจ็ดชุดข้อมูลที่เราตรวจสอบ , การเลือกรูปแบบการใช้
1 ชุดก็เกือบดีเท่าที่เลือกรุ่นที่เหมาะสมโดยใช้ชุดทดสอบสุดท้าย
.
เลือกใช้เลือกชุดแบบไปข้างหน้าเพื่อเลือก
ย่อยรุ่นที่เพิ่มประสิทธิภาพของชุดค่า
. โดยใช้ความหลากหลายของการเรียนรู้ขั้นตอนวิธีและพารามิเตอร์
สำหรับขั้นตอนวิธีเหล่านี้พิสูจน์แล้วว่าเป็นวิธีที่มีประสิทธิภาพของ
สร้างคอลเลกชันของหลากหลาย แบบ คุณภาพสูง บาง
ที่มีความเข้มข้นที่ยอดเยี่ยม ในการทดลองกับเจ็ด
ปัญหาการทดสอบการเลือกวงดนตรีอย่างต่อเนื่องพบตระการตา
ที่มีความเข้มข้นกว่าโมเดลที่ดีที่สุดฝึก
ใด ๆของวิธีการเรียนรู้ ได้แก่ แบบฝึกด้วย

ใส่ถุงและเพิ่ม .