It is interesting to see that for a

It is interesting to see that for all three datasets, the best lift index is obtained when the
positive and negative examples are about equal in number (the difference with more negative examples is not statistically significant). If only 1% of training examples are positive (responders), we only need to use another 1% of the negative examples (non-responders) to form a new training set. This naturally reduces the size of the training set dramatically.

ผลลัพธ์ (ไทย) 1:

เป็นที่น่าสนใจเพื่อดูว่า ในทั้งหมดสาม datasets ดัชนียกดีที่สุดได้รับเมื่อการ ตัวอย่างการบวก และลบกำลังเท่ากับเลข (ความแตกต่างกับตัวอย่างลบมากไม่อย่างมีนัยสำคัญทางสถิติ) ถ้ามีเพียง 1% ของการฝึกอบรมอย่างมีค่าเป็นบวก (responders), เราต้องใช้อีก 1% ของตัวอย่างลบ (ไม่ใช่ responders) เพื่อสร้างชุดฝึกอบรมใหม่ นี้ตามธรรมชาติลดขนาดของการฝึกอบรมที่ตั้งอย่างมาก

ผลลัพธ์ (ไทย) 2:

เป็นที่น่าสนใจที่จะเห็นว่าทั้งสามชุดข้อมูลที่ดัชนีลิฟท์ที่ดีที่สุดจะได้รับเมื่อ
ตัวอย่างในเชิงบวกและเชิงลบเกี่ยวกับความเท่าเทียมกันในจำนวน (ความแตกต่างกับตัวอย่างเชิงลบมากขึ้นไม่ได้เป็นนัยสำคัญทางสถิติ) ถ้ามีเพียง 1% ของตัวอย่างการฝึกอบรมเป็นบวก (ตอบรับ) เราจะต้องใช้อีก 1% ของตัวอย่างที่ลบ (ที่ไม่ตอบสนองต่อการ) ในรูปแบบชุดการฝึกอบรมใหม่ นี้เป็นธรรมชาติช่วยลดขนาดของการฝึกอบรมที่กำหนดอย่างมาก

ผลลัพธ์ (ไทย) 3:

เป็นที่น่าสนใจเพื่อดูว่าทั้งสามข้อมูล ดัชนียกที่ดีที่สุดคือได้รับเมื่อ
ตัวอย่างบวกและลบจะประมาณเท่ากับจำนวน ( แตกต่างกับลบตัวอย่างไม่ได้เป็นอย่างมีนัยสำคัญทางสถิติ ) ถ้าเพียง 1 % ของตัวอย่างการฝึกอบรมเป็นบวก ( บริการ ) , เราเพียง แต่ต้องใช้อีก 1 % ของตัวอย่างเชิงลบ ( ไม่ใช่ยา ) เพื่อสร้างชุดฝึก ชุดใหม่นี้ธรรมชาติลดขนาดของชุดฝึกอบรม
อย่างมาก