example, if we were betting on the

example, if we were betting on the outcome of a game, and
the BN predicted Win 45% Draw 45% Loss 10% then this
would indicate a likely win for an each way bet. However,
such an analysis of the potential value of a shared highest
probability prediction is beyond the scope of this paper.
We divided the match data into disjoint subsets so that
some could be used for training and separate data used to
check the accuracy of the learners. The data for each season
was divided up into three groups of ten matches and one
group of eight matches, organised chronologically. We
maintain the ordering of games and always organise the
training so that the training data set are chronologically
immediately before the test data set. For comparison we
also used each complete season’s data for training and test
set for the learners. This again prejudices the results against
the expert BN because this will tend to overestimate the
accuracy of all the other learners. The machine learners
were tested with both our general model data and with the
data used by the expert BN. Using the two data sets allows
for a direct comparison with the same, expert chosen, data
set and a more general comparison with a data set a non
expert might choose. The results for both the general data
and the expert chosen data, shown in Tables 1 and 2, are
similar. Where changes in classiWcation error are mentioned
they are relative to the error obtained by choosing the most
common result from the training data.

ผลลัพธ์ (ไทย) 1:

ตัวอย่าง ถ้าเรามีการวางเดิมพันในผลลัพธ์ของเกม และการพันคาดการณ์ชนะ 45% วาด 45% ขาดทุน 10% แล้วนี้จะบ่งชี้แนวโน้มชนะสำหรับแต่ละการเดิมพันทาง อย่างไรก็ตามเช่นการวิเคราะห์เป็นค่าที่ใช้ร่วมกันสูงสุดคาดเดาความเป็นไปได้ในขอบเขตของเอกสารนี้ได้เราแบ่งข้อมูลตรงตัวย่อยเพื่อให้บางอาจจะใช้สำหรับฝึกอบรม และแยกข้อมูลใช้ตรวจสอบความถูกต้องของผู้เรียน ข้อมูลสำหรับแต่ละฤดูกาลถูกแบ่งออกเป็นสามกลุ่มตรงสิบและหนึ่งกลุ่ม 8 ตรงกัน จัดลำดับ เรารักษาลำดับของเกม และจะจัดฝึกอบรมเพื่อให้ชุดข้อมูลการฝึกอบรมเป็นลำดับก่อนชุดข้อมูลทดสอบทันที สำหรับการเปรียบเทียบเราใช้ข้อมูลของแต่ละฤดูสมบูรณ์สำหรับการฝึกอบรมและทดสอบตั้งค่าสำหรับผู้เรียน นี้อีก prejudices ผลลัพธ์กับพันผู้เชี่ยวชาญเนื่องจากนี้จะมีแนวโน้มจะ overestimateความถูกต้องของทั้งหมดที่ผู้เรียน เรียนเครื่องทดสอบ กับข้อมูลทั้งสองรูปแบบทั่วไป และการข้อมูลที่ใช้ โดยค่าใช้ BN. สองผู้เชี่ยวชาญช่วยให้สำหรับการเปรียบเทียบโดยตรงด้วยเหมือนกัน ผู้เชี่ยวชาญเลือก ข้อมูลชุดและเปรียบเทียบเพิ่มเติมกับชุดข้อมูลไม่ผู้เชี่ยวชาญอาจเลือก ผลลัพธ์สำหรับทั้งข้อมูลทั่วไปและข้อมูลท่านผู้เชี่ยวชาญ แสดงในตาราง 1 และ 2คล้ายคลึงกัน ที่กล่าวถึงการเปลี่ยนแปลงในข้อผิดพลาด classiWcationจะสัมพันธ์กับข้อผิดพลาดที่ได้รับเลือกมากสุดได้ทั่วไปจากข้อมูลการฝึกอบรม

ผลลัพธ์ (ไทย) 3:

เช่น หากเราเป็นเดิมพันในผลของเกมและ
BN ทำนายชนะ 45% เสมอ 45 % ขาดทุน 10% แล้วนี้
จะแสดงสำหรับแต่ละวิธีอาจชนะเดิมพัน อย่างไรก็ตาม
เช่นการวิเคราะห์ค่าศักยภาพของแชร์สูงสุด
ความน่าจะเป็นการทำนายนั้นอยู่นอกเหนือขอบเขตของบทความนี้ เราได้แบ่งการแข่งขันเป็นข้อมูล

ไม่ต่อเนื่องจากดังนั้นบางคนอาจจะใช้สำหรับการฝึกอบรมและข้อมูลแยกใช้
ตรวจสอบความถูกต้องของผู้เรียน ข้อมูลสำหรับแต่ละฤดูกาล
ถูกแบ่งออกเป็นสามกลุ่มของการแข่งขันสิบหนึ่ง
กลุ่มแปดนัด จัด ลำดับ เรา
รักษาสั่งซื้อเกม และเสมอจัดระเบียบ
การฝึกอบรมเพื่อให้การฝึกอบรมชุดข้อมูลเป็นลำดับ
ทันทีก่อนที่จะทดสอบชุดข้อมูล สำหรับการเปรียบเทียบเรา
ยังใช้ข้อมูลที่สมบูรณ์ของแต่ละฤดูการฝึกอบรมและทดสอบ
ชุดสำหรับผู้เรียน นี้อีก อคติ ผลต่อ
ผู้เชี่ยวชาญ BN เพราะนี้จะมักจะ overestimate
ความถูกต้องของทั้งหมดอื่น ๆผู้เรียน ผู้เรียนเครื่องจักร
ทดสอบกับข้อมูลแบบทั่วไปทั้งของเราและกับ
ข้อมูลที่ใช้โดยผู้เชี่ยวชาญการลงทุน ใช้สองชุดข้อมูลให้
เพื่อเปรียบเทียบโดยตรงเหมือนกันผู้เชี่ยวชาญเลือก ข้อมูล
ชุดและการเปรียบเทียบทั่วไปมากขึ้นด้วยชุดข้อมูลผู้เชี่ยวชาญไม่
อาจเลือก ผลลัพธ์สำหรับทั้งข้อมูลทั่วไป
และผู้เชี่ยวชาญเลือกข้อมูลที่แสดงในตารางที่ 1 และ 2 เป็น
ที่คล้ายคลึงกัน ซึ่งการเปลี่ยนแปลงใน classiwcation ข้อผิดพลาดที่กล่าวถึง
จะสัมพันธ์กับความผิดพลาดได้ โดยเลือกผลที่พบบ่อยที่สุด
จากข้อมูลการฝึกอบรม