The basic idea of the ensemble lear

The basic idea of the ensemble learning scheme Stacking is to use the predictions
of base classifiers as attributes in a new training set that keeps the original class
labels. Stacking thus utilizes a meta classifier to combine the predictions from
several base classifiers which were estimated via crossvalidation on the training
data. Any classifier may be used as base and/or meta classifier. We shall refer
to the type of meta data consisting of base classifiers predictions as preds.
A straightforward extension of this approach is using class probability distributions
of the original classifiers1 which convey not only prediction information,
but also confidence for all classes. We shall call the meta data of this extension
class-probs. This approach was evaluated and found to be superior to Stacking
with predictions in (Ting & Witten, 1999), provided multi-response linear
regression (MLR) is used as meta classifier.

ผลลัพธ์ (ไทย) 2:

ความคิดพื้นฐานของโครงการการเรียนรู้ชุดซ้อนคือการใช้การคาดการณ์ของการจําแนกฐานเป็นคุณลักษณะที่อยู่ในชุดการฝึกอบรมใหม่ที่ช่วยให้ระดับเดิมฉลาก ซ้อนจึงใช้ลักษณนามเมตาดาต้าที่จะรวมการคาดการณ์จากการจําแนกหลายฐานซึ่งอยู่ที่ประมาณ crossvalidation ผ่านการฝึกอบรมเกี่ยวกับข้อมูล ลักษณนามใด ๆ ที่อาจจะใช้เป็นฐานและ / หรือจําแนก meta เราจะดูชนิดของข้อมูล meta ประกอบด้วยฐานการคาดการณ์จําแนกเป็น preds. ขยายตรงไปตรงมาของวิธีนี้คือการใช้แจกแจงความน่าจะระดับของ classifiers1 เดิมที่นำเสนอข้อมูลการคาดการณ์ไม่เพียง แต่ยังเชื่อมั่นสำหรับทุกชั้น เราจะเรียกข้อมูล meta ของส่วนขยายนี้ระดับprobs วิธีการนี้จะได้รับการประเมินและพบว่าจะดีกว่าซ้อนกับการคาดการณ์ใน (Ting & Witten, 1999) ให้การตอบสนองหลายเชิงเส้นถดถอย(MLR) ใช้เป็นลักษณนามเมตา

ผลลัพธ์ (ไทย) 3:

แนวคิดพื้นฐานของชุดการเรียนรู้แบบซ้อน คือ ใช้คาดคะเน
คำลักษณนามฐานเป็นคุณลักษณะใหม่ในการตั้งค่าที่ช่วยให้ชั้น
ป้ายเดิม ซ้อนจึงใช้ meta ลักษณนามรวมการคาดการณ์จากหลายฐานซึ่งมีประมาณ
คำผ่าน crossvalidation ข้อมูลการฝึกอบรม

แบบใด ๆอาจใช้เป็นฐาน และ / หรือ เมตา ลักษณนามเราจะอ้างอิง
กับชนิดของข้อมูลเมตาที่ประกอบด้วยคำทำนายเป็นฐาน preds .
นามสกุล ตรงไปตรงมา วิธีนี้ใช้ชั้นการแจกแจงความน่าจะเป็น
ของเดิม classifiers1 ซึ่งถ่ายทอดไม่เพียง แต่การคาดการณ์ข้อมูล
แต่ยังมั่นใจทุกชั้นเรียน เราจะเรียกข้อมูลเมตาของส่วนขยาย
คลาส probs .วิธีการนี้ถูกประเมินและพบว่ามีกว่าซ้อน
กับการคาดการณ์ใน ( ติ่ง& Witten , 1999 ) การถดถอยเชิงเส้นพหุให้
( MLR ) เป็น meta

ลักษณนาม