The holdout validation is often use

The holdout validation is often used to estimate the generalization capability
of a model. This method randomly partitions the data into training and test
subsets. The former subset is used to fit the model (typically with 2/3 of the
data), while the latter (with the remaining 1/3) is used to compute the estimate.
A more robust estimation procedure is the k-fold cross-validation [8], where the
data is divided into k partitions of equal size. One subset is tested each time
and the remaining data are used for fitting the model. The process is repeated
sequentially until all subsets have been tested. Therefore, under this scheme, all
data are used for training and testing. However, this method requires around k
times more computation, since k models are fitted. The validation method will
be applied several runs and statistical confidence will be given by the t-student
test at the 95% confidence level

ผลลัพธ์ (ไทย) 1:

สอบ holdout มักใช้ในการประเมินความสามารถในการ generalizationของแบบจำลอง วิธีนี้ได้กั้นข้อมูลฝึกอบรมและทดสอบย่อย ชุดย่อยอดีตใช้เต็มรูปแบบ (โดยปกติจะ มี 2/3 ของข้อมูล), ในขณะหลัง (มีเหลือ 1/3) ใช้ในการคำนวณการประเมินกระบวนการประเมินมีประสิทธิภาพมากขึ้นเป็น k-พับข้ามสอบ [8], ที่ข้อมูลถูกแบ่งออกเป็นพาร์ทิชัน k ขนาดเท่า กลุ่มย่อยที่หนึ่งมีทดสอบแต่ละครั้งและข้อมูลที่เหลือจะใช้สำหรับรูปแบบเหมาะสม กระบวนการจะถูกทำซ้ำตามลำดับจนกระทั่งได้รับการทดสอบย่อยทั้งหมด ภายใต้โครงร่างนี้ ดังนั้น ทั้งหมดข้อมูลที่ใช้สำหรับการฝึกอบรมและทดสอบ อย่างไรก็ตาม วิธีการนี้ต้องใกล้เคเวลาคำนวณมาก เนื่องจากรุ่น k เพียบ วิธีการตรวจสอบจะใช้ทำและความเชื่อมั่นทางสถิติต่าง ๆ จะถูกกำหนด โดย t-นักเรียนทดสอบที่ระดับความเชื่อมั่น 95%

ผลลัพธ์ (ไทย) 2:

การตรวจสอบไม่ยอมอ่อนข้อมักจะใช้ในการประเมินความสามารถในลักษณะทั่วไปของรูปแบบ
วิธีการนี้จะสุ่มพาร์ติชันข้อมูลในการฝึกอบรมและการทดสอบย่อย เซตอดีตถูกนำมาใช้เพื่อให้เหมาะสมกับรูปแบบ (โดยปกติจะมี 2/3
ของข้อมูล) ในขณะที่หลัง (ส่วนที่เหลืออีก 1/3) ถูกนำมาใช้ในการคำนวณประมาณการ.
ขั้นตอนการประมาณค่าที่แข็งแกร่งมากขึ้นเป็นเท่า k ข้าม การตรวจสอบ [8]
ที่ข้อมูลจะถูกแบ่งออกเป็นพาร์ทิชันk ขนาดเท่ากัน
หนึ่งชุดย่อยมีการทดสอบในแต่ละครั้งและข้อมูลที่เหลือจะใช้สำหรับการปรับรูปแบบ
กระบวนการนี้ซ้ำแล้วซ้ำอีกตามลำดับจนกว่าย่อยทั้งหมดได้รับการทดสอบ
ดังนั้นภายใต้โครงการนี้ทั้งหมดข้อมูลที่ใช้สำหรับการฝึกอบรมและการทดสอบ แต่วิธีนี้ต้องใช้รอบ k
ครั้งการคำนวณมากขึ้นเนื่องจากรุ่น k มีการติดตั้ง วิธีการตรวจสอบจะถูกนำมาใช้วิ่งหลายและความเชื่อมั่นทางสถิติที่จะได้รับโดยเสื้อนักเรียนทดสอบที่ระดับความเชื่อมั่น95%

ผลลัพธ์ (ไทย) 3:

ที่ไม่ยอมอ่อนข้อการตรวจสอบมักจะใช้เพื่อประเมินความสามารถในการ
ของนางแบบ วิธีนี้แบ่งพาร์ทิชันข้อมูลส่วนย่อยในการฝึกอบรมและทดสอบ

ที่ย่อยก่อนใช้ให้พอดีกับรูปแบบ ( ปกติ 2 / 3 ของ
ข้อมูล ) ในขณะที่หลัง ( กับอีก 1 / 3 ) ถูกใช้เพื่อคำนวณประมาณการ .
ขั้นตอนการตรวจสอบเสถียรภาพมากขึ้นเป็น k-fold ข้าม [ 8 ] ,
ข้อมูล แบ่งเป็น เค พาร์ทิชันขนาดเท่ากัน หนึ่งคือ การทดสอบย่อยแต่ละครั้ง
และข้อมูลที่เหลือจะใช้สำหรับการปรับรุ่น กระบวนการซ้ำ
ตามลำดับจนย่อยได้ถูกทดสอบ ดังนั้น ภายใต้โครงการนี้ ข้อมูลทั้งหมด
ใช้สำหรับการฝึกอบรมและการทดสอบ . แต่วิธีนี้ต้องมีรอบการคำนวณเพิ่มเติม K
ครั้ง ตั้งแต่รุ่น K พอดี การตรวจสอบวิธีที่จะ
ใช้วิ่งหลายและความเชื่อมั่นทางสถิติจะได้รับ โดยทดสอบ t-student
ที่ระดับความเชื่อมั่น 95%