The hold-out cross validation appro

The hold-out cross validation approximation to the generalization error was computed by training on 70% of the data, namely 399 samples and testing on the remaining 170. The recall, the ratio of true positives to actual positives, as a measure of the lack of false negatives, and the precision, the ratio of true positives to labeled positives, as a measure of the lack of false positives were also computed on the above data sampling. It is clear from the above tables that GDA produces higher precision than logistic regression and SVM, whereas logistic regression produces highest recall. In this problem in particular, the higher recall may be more valuable, since a false negative could be more dangerous to the care of a patient, who then may not be treated, whereas with a false positive, the patient would most likely undergo more testing before treatment.
Furthermore, we also note that in all cases, the hold-out CV error decreases as the number of features increase,
which is indicative of a high bias problem. This error for GDA is generally lower, which can be explained by
GDA’s property to use data more e"ciently, since it can learn more quickly on smaller datasets.

ผลลัพธ์ (ไทย) 2:

ถือออกประมาณข้ามการตรวจสอบข้อผิดพลาดทั่วไปที่ถูกคำนวณโดยการฝึกอบรมเกี่ยวกับ 70% ของข้อมูลคือ 399 ตัวอย่างและการทดสอบในส่วนที่เหลืออีก 170 จำอัตราส่วนของจริงบวกบวกที่จะเกิดขึ้นจริงเป็นตัวชี้วัดของการขาดการ เชิงลบเท็จและความแม่นยำอัตราส่วนของจริงบวกบวกที่จะติดป้ายว่าเป็นมาตรการของการขาดบวกเท็จถูกคำนวณยังเก็บข้อมูลดังกล่าวข้างต้น เป็นที่ชัดเจนจากตารางข้างต้นว่า GDA ผลิตที่มีความแม่นยำสูงกว่าการถดถอยโลจิสติกและ SVM ในขณะที่การถดถอยโลจิสติกการเรียกคืนผลิตสูงสุด ในปัญหานี้โดยเฉพาะการเรียกคืนอาจจะสูงกว่าที่มีคุณค่ามากขึ้นเนื่องจากเป็นลบที่ผิดพลาดอาจเป็นอันตรายมากขึ้นในการดูแลของผู้ป่วยที่แล้วอาจจะไม่ได้รับการรักษาในขณะที่มีบวกเท็จผู้ป่วยส่วนใหญ่จะผ่านการทดสอบมากขึ้น ก่อนการรักษา.
นอกจากนี้เรายังทราบว่าในทุกกรณีที่ถือออก CV
ข้อผิดพลาดลดลงเป็นจำนวนเพิ่มขึ้นคุณสมบัติซึ่งเป็นตัวบ่งชี้ของปัญหาอคติสูง ข้อผิดพลาดสำหรับ GDA
นี้โดยทั่วไปลดลงซึ่งสามารถอธิบายได้ด้วยทรัพย์สินGDA ของการใช้ข้อมูลอิเล็กทรอนิกส์มากขึ้น "อย่างมีประสิทธิภาพเพราะมันสามารถเรียนรู้ได้อย่างรวดเร็วในชุดข้อมูลที่มีขนาดเล็ก

ผลลัพธ์ (ไทย) 3:

ถือออกตรวจสอบประมาณข้ามไป การผิดพลาดคือคำนวณโดยการฝึกอบรมใน 70% ของข้อมูลคือ 399 ตัวอย่างและการทดสอบบนเหลือ 170 . เรียกคืน , อัตราส่วนของจริงบวกบวกจริง เป็นวัดของขาดเชิงลบเท็จและความแม่นยำ , อัตราส่วนของทรูแจ้งข้อความแจ้งเป็นวัดของขาดบวกเท็จยังคำนวณในข้างต้นข้อมูลการสุ่มตัวอย่าง ก็เป็นที่ชัดเจนจากตารางข้างต้นที่ตัวแทนผลิตความแม่นยำที่สูงกว่าการถดถอยโลจิสติกและ SVM และ Logistic Regression ผลิตได้สูงสุด ในปัญหานี้โดยเฉพาะ ยิ่งนึกถึง อาจมีคุณค่ามากขึ้น เนื่องจากความผิดพลาดทางลบ อาจเป็นอันตรายกับการดูแลของผู้ป่วยใครก็ไม่อาจจะปฏิบัติ ส่วนบวกปลอม ผู้ป่วยส่วนใหญ่จะได้รับการทดสอบเพิ่มเติมก่อนการรักษา
นอกจากนี้เรายังทราบว่าในทุกกรณี ถือออก CV ข้อผิดพลาดลดลงเป็นจำนวนคุณสมบัติเพิ่มขึ้น
ที่บ่งบอกถึงปัญหาอคติสูง ข้อผิดพลาดนี้สำหรับตัวแทนโดยทั่วไปลดลง ซึ่งสามารถอธิบายได้โดยการใช้คุณสมบัติ
จีดีเอ ข้อมูลเพิ่มเติม ciently E " ,เพราะมันสามารถเรียนรู้มากขึ้นอย่างรวดเร็วในชุดข้อมูลขนาดเล็ก