A special case of model selection c

A special case of model selection comes into play
when dealing with non-classification model selection.
For example when trying to pick a feature selection [7]
algorithm that will maximize a classifier’s performance
on a particular dataset. Refaeilzadeh et al. [10] explore
this issue in detail and explain that there are in fact two
variants of cross-validation in this case: performing
feature selection before splitting data into folds
(OUT) or performing feature selection k times inside
the cross-validation loop (IN). The paper explains that
there is potential for bias in both cases: With OUT, the
feature selection algorithm has looked at the test set, so
the accuracy estimate is likely inflated; On the other
hand with IN the feature selection algorithm is looking
at less data than would be available in a real experimental
setting, leading to underestimated accuracy.
Experimental results confirm these hypothesis and
further show that:

ผลลัพธ์ (ไทย) 1:

เป็นกรณีพิเศษของการเลือกรูปแบบที่เข้ามาในเล่น
เมื่อต้องรับมือกับการเลือกรูปแบบการจัดหมวดหมู่ไม่.
ตัวอย่างเช่นเมื่อพยายามที่จะได้รับการเลือก [7]
ขั้นตอนวิธีการคุณลักษณะที่จะเพิ่มประสิทธิภาพการทำงานของลักษณนาม
บนชุดโดยเฉพาะอย่างยิ่ง refaeilzadeh ตอัล [10] สำรวจ
เรื่องนี้ในรายละเอียดและอธิบายว่ามีในความเป็นจริงทั้งสอง
สายพันธุ์ของการตรวจสอบข้ามในกรณีนี้แสดง
เลือกคุณสมบัติก่อนที่จะแยกออกเป็นข้อมูลเท่า
(ออก) หรือการแสดงครั้งการเลือกคุณลักษณะภายใน k
ห่วงการตรวจสอบข้าม (ใน) กระดาษอธิบายว่า
มีศักยภาพในการมีอคติทั้งในกรณีที่มีการออกขั้นตอนวิธีการเลือกคุณลักษณะ
ได้มองที่ชุดการทดสอบเพื่อประเมินความถูกต้อง
จะพองแนวโน้ม; ในอีก
มือกับในขั้นตอนวิธีการเลือกคุณลักษณะ มอง
. ที่ข้อมูลน้อยกว่าจะสามารถใช้ได้ในการทดลอง
การตั้งค่าที่แท้จริงที่นำไปสู่​​ความถูกต้องประเมิน
ผลการทดลองยืนยันสมมติฐานเหล่านี้และต่อไป
แสดงให้เห็นว่า:

ผลลัพธ์ (ไทย) 2:

กรณีพิเศษของการเลือกแบบจำลองมาเล่น
เมื่อจัดการกับแบบจำลองประเภทไม่เลือก
อย่างพยายามเลือกเลือกคุณลักษณะ [7]
อัลกอริทึมที่จะเพิ่มประสิทธิภาพของ classifier
บนชุดข้อมูลเฉพาะ สำรวจ Refaeilzadeh et al. [10]
นี้ในรายละเอียด และอธิบายที่ มีอยู่ในข้อเท็จจริงสอง
ย่อยของการข้ามการตรวจสอบในกรณีนี้: ทำ
คุณลักษณะตัวเลือกก่อนที่จะแบ่งข้อมูลออกเป็น folds
(OUT) หรือทำเวลา k เลือกคุณลักษณะภายใน
วนตรวจสอบข้าม (IN) กระดาษอธิบายที่
มีความโน้มเอียงในทั้งสองกรณีอาจ: กับออก การ
คุณลักษณะเลือกอัลกอริทึมมีมองชุดทดสอบ ดังนั้น
ประเมินความถูกต้องแม่นยำมีแนวโน้มสูงเกินจริง ใน
มือกับอัลกอริทึมการเลือกคุณลักษณะกำลัง IN
ที่ข้อมูลน้อยกว่าจะใช้ทดลองจริง
การตั้งค่า การนำไป underestimated ความแม่นยำ
ผลการทดลองยืนยันสมมติฐานเหล่านี้ และ
เพิ่มเติม แสดงว่า:

ผลลัพธ์ (ไทย) 3:

กรณีพิเศษที่ทางเลือกของรุ่นนี้มาเข้าไปในการเล่น
ซึ่งจะช่วยในการจัดการกับการเลือกรุ่นไม่ใช่ - การจำแนก ประเภท .
ตัวอย่างเช่นเมื่อพยายามจะเลือกทางเลือกคุณสมบัติ:[ 7 ],
อัลกอริธึมที่จะเพิ่ม ประสิทธิภาพ การทำงานของลักษณนาม
ซึ่งจะช่วยใน dataset เฉพาะที่ refaeilzadeh et al . [ 10 ]สำรวจ
ซึ่งจะช่วยแก้ไขปัญหาในรายละเอียดและอธิบายว่ามีอยู่ในความเป็นจริงแล้วสอง
ทัศนวิสัยในการข้ามการตรวจสอบในกรณีนี้:การตอบแทน
การเลือกโดดเด่นไปด้วยก่อนจะแยกข้อมูลลงในสามารถพับเก็บได้
(ออก)หรือการดำเนินการครั้ง K การเลือกคุณสมบัติ
ซึ่งจะช่วยในการต่อพ่วงแบบการตรวจสอบ(ใน) เอกสารนี้จะอธิบายว่า
มี ศักยภาพ สำหรับการทำงานในทั้งสองกรณีพร้อมด้วยอัลกอริธึมการเลือก
โดดเด่นไปด้วยที่มีมองไปที่ตั้งค่าการทดสอบที่
ซึ่งจะช่วยประมาณการความแม่นยำที่มีแนวโน้มแพงลิบลิ่วอยู่อีก
มือที่พร้อมด้วยในการเลือกคุณสมบัติที่อัลกอริธึมกำลังมองหา
ที่ข้อมูลไม่น้อยกว่าจะได้จัดให้บริการในแบบเรียลไทม์ทดลอง
ซึ่งจะช่วยการตั้งค่าที่นำไปสู่ความถูกต้องเมื่อได้ผลการทดลองยืนยันข้อสมมุติฐาน
เหล่านี้และ
ต่อไปแสดงให้เห็นว่า