ABSTRACTDeploying a classifier to l

ABSTRACT
Deploying a classifier to large-scale systems such as the web
requires careful feature design and performance evaluation.
Evaluation is particularly challenging because these large
collections frequently change. In this paper we adapt stratified
sampling techniques to evaluate the precision of classi-
fiers deployed in large-scale systems. We investigate different
types of stratification strategies, and then we derive a
new online sampling algorithm that incrementally approximates
the theoretical optimal disproportionate sampling
strategy. In experiments, the proposed algorithm signifi-
cantly outperforms both simple random sampling as well as
other types of stratified sampling, with an average reduction
of about 20% in labeling effort to reach the same confidence
and interval-bounds on precision.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อปรับใช้ classifier เป็นระบบขนาดใหญ่เช่นนี้ต้องประเมินการออกแบบและประสิทธิภาพการทำงานลักษณะระมัดระวังประเมินเป็นอย่างยิ่งความท้าทายเนื่องจากขนาดใหญ่เหล่านี้คอลเลกชันเปลี่ยนแปลงบ่อย ในเอกสารนี้เราปรับ stratifiedเทคนิคการสุ่มตัวอย่างการประเมินความแม่นยำของ classi-fiers ที่ใช้งานในระบบขนาดใหญ่ เราตรวจสอบแตกต่างกันชนิดของสาระกลยุทธ์ และจากนั้น เราได้รับการขั้นตอนวิธีการสุ่มตัวอย่างออนไลน์ใหม่ที่ approximates แบบเพิ่มหน่วยการสุ่มตัวอย่างนำสุดทฤษฎีกลยุทธ์การ ในการทดลอง ความนำเสนอขั้นตอนวิธีการ-cantly outperforms ทั้งสองอย่างแบบสุ่มการสุ่มตัวอย่างเช่นเป็นสุ่มตัวอย่าง stratified ลดการเฉลี่ยชนิดอื่น ๆประมาณ 20% ในการติดฉลากความพยายามถึงความมั่นใจเหมือนกันและขอบ เขตช่วงความ

ผลลัพธ์ (ไทย) 2:

บทคัดย่อการปรับใช้ลักษณนามกับระบบขนาดใหญ่เช่นเว็บต้องระมัดระวังในการออกแบบบาร์และประเมินผลการปฏิบัติ. การประเมินผลเป็นสิ่งที่ท้าทายอย่างยิ่งเพราะขนาดใหญ่เหล่านี้คอลเลกชันเปลี่ยนแปลงบ่อย ในบทความนี้เราปรับตัวแซดเทคนิคการสุ่มตัวอย่างในการประเมินความแม่นยำของการ classi- fiers นำไปใช้ในระบบขนาดใหญ่ เราจะตรวจสอบที่แตกต่างกันชนิดของกลยุทธ์การแบ่งชั้นและจากนั้นเราได้รับมาขั้นตอนวิธีการสุ่มตัวอย่างออนไลน์ใหม่ที่เพิ่มขึ้นใกล้เคียงกับทฤษฎีที่เหมาะสมสุ่มตัวอย่างสัดส่วนกลยุทธ์ ในการทดลองขั้นตอนวิธีการที่นำเสนอ signifi- อย่างมีประสิทธิภาพเหนือกว่าทั้งสุ่มอย่างง่ายเช่นเดียวกับประเภทอื่น ๆ ของการสุ่มตัวอย่างแบบแบ่งชั้นมีลดลงเฉลี่ยประมาณ20% ในความพยายามที่จะไปถึงการติดฉลากความเชื่อมั่นเดียวกันและช่วงเวลาในขอบเขตที่มีความแม่นยำ

ผลลัพธ์ (ไทย) 3:

นามธรรม
ใช้ลักษณนามกับระบบขนาดใหญ่ เช่น เว็บ
ต้องคุณลักษณะการออกแบบอย่างระมัดระวังและการประเมินผลการปฏิบัติงาน การประเมินผลเป็นสิ่งที่ท้าทายโดยเฉพาะอย่างยิ่ง

เพราะคอลเลกชันขนาดใหญ่เหล่านี้มักเปลี่ยน ในกระดาษนี้เราปรับแบ่ง
เทคนิคการสุ่มตัวอย่างเพื่อประเมินความแม่นยำของ classi -
fiers ใช้ในขนาดใหญ่ระบบ เราศึกษาแตกต่างกัน
ประเภทของกลยุทธ์การ แล้วเราสร้าง
ใหม่ออนไลน์ตัวอย่างวิธีที่แบบเพิ่มหน่วยใกล้เคียงกับทฤษฎีที่เหมาะสมไม่สมส่วนตัวอย่าง

กลยุทธ์ ในการทดลองวิธีที่เสนอทั้งสองลดลงอย่างมีนัยสําคัญเมื่อโปรย signifi -

สุ่มเช่นเดียวกับประเภทอื่น ๆโดยใช้การสุ่มตัวอย่างแบบชั้นภูมิ กับ
ลดลงเฉลี่ยประมาณ 20 % ในการติดฉลากความพยายามที่จะเข้าถึงเดียวกันความมั่นใจ
และช่วงขอบเขตในความแม่นยำ