classifier gets a small weight. Wit

classifier gets a small weight. With this in mind, some authors have developed their own
heuristics for weighting the ensemble members. For binary classification problems, Freund
et al [39] weight predictors exponentially with respect to their training error. Tresp and
Taniguchi [134] investigate non-constant weighting functions, where the weightings are determined anew for each testing pattern, by calculating a probability for how likely a given
estimator is to have seen data in a region of the input space close to a new input pattern.

ผลลัพธ์ (ไทย) 2:

ลักษณนามรับน้ำหนักขนาดเล็ก
กับในใจนักเขียนบางคนได้มีการพัฒนาตัวเองการวิเคราะห์พฤติกรรมน้ำหนักสำหรับสมาชิกทั้งมวล สำหรับปัญหาการจัดหมวดหมู่ไบนารี Freund
et al, [39] น้ำหนักพยากรณ์ชี้แจงด้วยความเคารพต่อข้อผิดพลาดการฝึกอบรม Tresp
และทานิกูชิ[134]
การตรวจสอบการทำงานของน้ำหนักที่ไม่คงที่น้ำหนักจะถูกกำหนดใหม่สำหรับรูปแบบการทดสอบแต่ละโดยการคำนวณความน่าจะเป็นวิธีที่น่าจะได้รับการประมาณการคือการได้เห็นข้อมูลในพื้นที่ของพื้นที่ที่นำเข้าใกล้เคียงกับใหม่รูปแบบการป้อนข้อมูล

ผลลัพธ์ (ไทย) 3:

ลักษณนามได้รับน้ำหนักน้อย กับนี้ในใจ บางคนเขียนได้พัฒนาฮิวริสติกของตัวเอง
สำหรับ ( วงสมาชิก สำหรับปัญหาการจำแนกประเภทไบนารี , Freund
et al [ 39 ] น้ำหนักตัวชี้แจงเกี่ยวกับข้อผิดพลาดการฝึกอบรมของพวกเขา tresp
ทานิ [ 134 ] ศึกษาและน้ำหนักไม่คงที่ฟังก์ชันที่ weightings กำหนดใหม่สำหรับแต่ละการทดสอบรูปแบบโดยการคำนวณความน่าจะเป็นว่าอาจให้
ประมาณที่จะได้เห็นข้อมูลในเขตข้อมูลพื้นที่ใกล้เคียงใหม่ของรูปแบบการป้อนข้อมูล