Here we demonstrate how to efficien

Here we demonstrate how to efficiently bound the precision of a classifier using minimal amounts of labeled data by
adapting the techniques of stratified sampling [13, 9] to the
problem of classier evaluation. In particular, we demonstrate that the output score of the classifier serves as a good
basis for stratification by identifying regions of similar classifier behavior because of the typical monotonic relationship
between classifiers and the true class-conditional posterior
[2]. Given a stratification into regions or strata, there is
an optimal strategy [13, 9] for distributing the number of
samples across these strata. However, this optimal strategy
relies on knowing the variance of the classifier within each
stratum which would preclude the need for evaluation

ผลลัพธ์ (ไทย) 1:

ที่นี่เราสาธิตวิธีผูกความแม่นยำของ classifier ที่ใช้จำนวนข้อมูลป้ายโดยน้อยที่สุดได้อย่างมีประสิทธิภาพเทคนิคของดร. stratified สุ่ม [13, 9] เพื่อการปัญหาการประเมิน classier โดยเฉพาะอย่างยิ่ง เราแสดงว่า คะแนนผลของ classifier ที่ทำหน้าที่เป็นดีพื้นฐานสำหรับสาระโดยระบุขอบเขตของลักษณะการทำงานคล้าย classifier เนื่องจากความสัมพันธ์ monotonic ทั่วไปคำนามภาษาและจริงมีเงื่อนไขระดับหลัง[2] กำหนดสาระในภูมิภาคหรือชั้น มีดีที่สุดกลยุทธ์ [13, 9] การจัดสรรจำนวนตัวอย่างในชั้นนี้ อย่างไรก็ตาม กลยุทธ์นี้เหมาะสมที่สุดอาศัยทราบความแปรปรวนของ classifier ภายในแต่ละstratum ซึ่งจะห้ามต้องการประเมิน

ผลลัพธ์ (ไทย) 2:

ที่นี่เราแสดงให้เห็นถึงวิธีการที่ถูกผูกไว้อย่างมีประสิทธิภาพความแม่นยำของการจําแนกโดยใช้จำนวนน้อยที่สุดของข้อมูลที่โดดเด่นด้วยการปรับเทคนิคของการสุ่มตัวอย่างแบบแบ่งชั้น [13 9] กับปัญหาของการประเมินผลclassier โดยเฉพาะอย่างยิ่งเราแสดงให้เห็นว่าการส่งออกของคะแนนลักษณนามทำหน้าที่เป็นที่ดีเป็นพื้นฐานสำหรับการแบ่งชั้นโดยระบุภูมิภาคของพฤติกรรมลักษณนามที่คล้ายกันเพราะความสัมพันธ์ต่อเนื่องโดยทั่วไประหว่างแยกแยะและหลังระดับเงื่อนไขจริง[2] ได้รับการแบ่งชั้นลงในพื้นที่หรือชั้นที่มีกลยุทธ์ที่ดีที่สุด [13 9] สำหรับการกระจายจำนวนกลุ่มตัวอย่างทั่วชั้นเหล่านี้ แต่นี้กลยุทธ์ที่ดีที่สุดขึ้นอยู่กับความแปรปรวนของการรู้ลักษณนามในแต่ละชั้นซึ่งจะดักคอความจำเป็นในการประเมินผล

ผลลัพธ์ (ไทย) 3:

นี่เรา แสดงให้เห็นถึงวิธีการได้อย่างมีประสิทธิภาพเชื่อมความแม่นยำลักษณนามใช้ยอดเงินน้อยที่สุดของข้อความข้อมูล
ปรับเทคนิค Stratified Sampling [ 8 , 9 ]
ปัญหาผลกการประเมิน โดยเฉพาะ เราแสดงให้เห็นว่า ผลคะแนนของตัวนี้ทำหน้าที่เป็นดี
พื้นฐานสำหรับการ โดยระบุขอบเขตของพฤติกรรมทั่วไปคล้ายกระบอก เพราะความสัมพันธ์ระหว่างคำและอย่างเดียว

เรียนเงื่อนไขที่แท้จริงของ [ 2 ] ได้รับการเป็นภูมิภาคหรือชั้นมี
กลยุทธ์ที่ดีที่สุด [ 13 , 9 ] สำหรับการกระจายจำนวน
ตัวอย่างในชั้นเหล่านี้ อย่างไรก็ตาม
กลยุทธ์นี้เหมาะสมที่สุดอาศัยการรู้ความแปรปรวนของขนาดในแต่ละชั้นซึ่งจะขัดขวางความต้องการ

สำหรับการประเมินผล