As crossvalidation essentially comp

As crossvalidation essentially computes a prediction for each example in
the training set, it was soon realized that this information could be used in
more elaborate ways than simply counting the number of correct and incorrect
predictions. One general way to achieve this is Stacking (Wolpert, 1992), which
learns from predictions of base (=level-0) classifiers, via a single meta (=level-1)
classifier. The basic idea of Stacking is to use the predictions of the base classifiers
as attributes in a new training set that keeps the original class labels.

ผลลัพธ์ (ไทย) 1:

เป็น crossvalidation จะเป็นการคาดการณ์สำหรับแต่ละตัวอย่างในการฝึกตั้ง มันเร็ว ๆ นี้ได้ตระหนักว่า ข้อมูลนี้สามารถนำมาใช้วิธีความละเอียดยิ่งขึ้นกว่าเพียงแค่นับจำนวนถูกต้อง และไม่ถูกต้องคาดคะเน วิธีการนี้ประสบความสำเร็จทั่วไปหนึ่งคือ Stacking (Wolpert, 1992), ซึ่งเรียนรู้จากการคาดคะเนของฐาน (=ระดับ 0) คำนามภาษา ผ่าน meta เดียว (=ระดับ 1)classifier ความคิดพื้นฐานของ Stacking จะใช้การคาดคะเนของคำนามภาษาพื้นฐานเป็นแอตทริบิวต์ในชุดฝึกอบรม ที่เก็บป้ายชั้นเดิม

ผลลัพธ์ (ไทย) 2:

ในฐานะที่เป็น crossvalidation
หลักคำนวณการทำนายเช่นในแต่ละชุดการฝึกอบรมมันก็รู้ทันทีว่าข้อมูลเหล่านี้สามารถนำมาใช้ในรูปแบบที่ซับซ้อนมากขึ้นกว่าเพียงแค่การนับจำนวนที่ถูกต้องและไม่ถูกต้องคาดการณ์ วิธีการหนึ่งที่ทั่วไปเพื่อให้บรรลุนี้คือการซ้อน (Wolpert, 1992) ซึ่งเรียนรู้จากการคาดการณ์ของฐาน(= ระดับ 0) จําแนกผ่านทางเมตาเดียว (= ระดับ 1) จําแนก แนวคิดพื้นฐานของการซ้อนคือการใช้การคาดการณ์ของการจําแนกฐานเป็นคุณลักษณะที่อยู่ในชุดการฝึกอบรมใหม่ที่ช่วยให้ฉลากระดับเดิม

ผลลัพธ์ (ไทย) 3:

เป็น crossvalidation หลักคำนวณพยากรณ์แต่ละตัวอย่าง
ชุดฝึกอบรม ในไม่ช้ามันก็ตระหนักว่าข้อมูลนี้จะถูกใช้ใน
ประณีตวิธีมากกว่าเพียงแค่การนับที่ถูกต้องและไม่ถูกต้อง
คาดคะเน วิธีหนึ่งเพื่อให้บรรลุนี้คือการวางซ้อนทั่วไป ( โวลเพิร์ต , 1992 ) ซึ่ง
เรียนรู้จากการคาดการณ์ของฐาน ( = level-0 ) คำผ่านเดียว meta ( = 1 )
ลักษณนาม แนวคิดพื้นฐานของการวางซ้อนเพื่อใช้ทำนายของคำฐาน
เป็นแอตทริบิวต์ในชุดฝึกใหม่ให้ป้ายชื่อคลาสเดิม