One may be interested in obtaining

One may be interested in obtaining an estimate for any
of the many performance indicators such as accuracy,
precision, recall, or F-score. Cross-validation allows for
all the data to be used in obtaining an estimate. Most
commonly one wishes to estimate the accuracy of a
classifier in a supervised-learning environment. In
such a setting, a certain amount of labeled data is
available and one wishes to predict how well a certain
classifier would perform if the available data is used to
train the classifier and subsequently ask it to label
unseen data. Using 10-fold cross-validation one repeatedly
uses 90% of the data to build a model and
test its accuracy on the remaining 10%. The resulting
average accuracy is likely somewhat of an underestimate
for the true accuracy when the model is trained
on all data and tested on unseen data, but in most cases
this estimate is reliable, particularly if the amount of
labeled data is sufficiently large and if the unseen data
follows the same distribution as the labeled examples.

ผลลัพธ์ (ไทย) 1:

หนึ่งอาจมีความสนใจในการได้รับการประมาณการ
ของตัวชี้วัดประสิทธิภาพหลายอย่างเช่นความถูกต้องแม่นยำ
จำหรือฉคะแนนใด ๆ ข้ามการตรวจสอบช่วยให้
ข้อมูลทั้งหมดที่จะใช้ในการได้รับการประเมิน ส่วนใหญ่มัก
ใครอยากที่จะประเมินความถูกต้องของ
ลักษณนามในสภาพแวดล้อมที่ควบคุมการเรียนรู้ ในการตั้งค่าดังกล่าว
จำนวนหนึ่งของข้อมูลที่ระบุว่าเป็น
ที่มีอยู่และประสงค์ที่จะทำนายว่าวิธีที่ดีบางอย่าง
ลักษณนามจะดำเนินการถ้าข้อมูลที่มีอยู่จะใช้ในการฝึกอบรมลักษณนาม
แล้วก็ขอให้ติดป้าย
ข้อมูลที่มองไม่เห็น ใช้ 10 เท่าการตรวจสอบข้ามหนึ่งซ้ำ ๆ
ใช้ 90% ของข้อมูลที่จะสร้างแบบจำลองและการทดสอบความถูกต้อง
ในส่วนที่เหลืออีก 10% ส่งผลให้ความถูกต้อง
เฉลี่ยมีแนวโน้มค่อนข้างต่ำกว่า
สำหรับความถูกต้องเป็นจริงเมื่อรูปแบบการฝึกอบรม
ข้อมูลทั้งหมดและทดสอบกับข้อมูลที่มองไม่เห็น แต่ในกรณีส่วนใหญ่
ประมาณนี้มีความน่าเชื่อถือโดยเฉพาะอย่างยิ่งถ้าจำนวน
ข้อมูลระบุว่ามีขนาดใหญ่พอสมควรและหากข้อมูลที่มองไม่เห็น
ต่อไปนี้การกระจายเดียวกัน เป็นตัวอย่างที่มีข้อความ
.

ผลลัพธ์ (ไทย) 2:

หนึ่งอาจจะสนใจในการรับการประเมินใด ๆ
ของตัวบ่งชี้ประสิทธิภาพมากเช่นความแม่นยำ,
ความแม่นยำ เรียกคืน หรือ F คะแนน ช่วยให้สามารถตรวจสอบขน
ข้อมูลทั้งหมดที่จะใช้ในการรับการประเมิน สุด
ทั่วไปประสงค์ที่จะประเมินความถูกต้องของการ
classifier ในสภาพแวดล้อมการเรียนรู้แบบมีผู้สอน ใน
เป็นปริมาณข้อมูลป้ายดังกล่าวเป็นการตั้งค่า
ว่าง และประสงค์ที่จะทำนายว่า ดีเป็นบาง
classifier จะทำข้อมูลมีอยู่ใช้
classifier การรถไฟ และมาถามเรื่องป้ายชื่อ
ข้อมูล unseen ใช้สอบข้ามหนึ่ง 10-fold ซ้ำ ๆ
ใช้ 90% ของข้อมูลเพื่อสร้างแบบจำลอง และ
ทดสอบความแม่นยำใน 10% ที่เหลือ งบ
ความแม่นยำเฉลี่ยมีแนวโน้มค่อนข้างของ underestimate การ
ความถูกต้องแท้จริงเมื่อมีการฝึกอบรมแบบ
ข้อมูลทั้งหมดและข้อมูลทดสอบใน unseen แต่ ในกรณีส่วนใหญ่
ประเมินนี้มีความน่าเชื่อถือ โดยเฉพาะอย่างยิ่งถ้าจำนวน
ป้ายข้อมูลมีขนาดใหญ่พอ และถ้าข้อมูล unseen
ตามการแจกแจงแบบเดียวกันเป็นตัวอย่างป้าย

ผลลัพธ์ (ไทย) 3:

อาจจะมีส่วนได้เสียในการขอรับการประเมินเพื่อ
ของไฟแสดงสถานะการทำงานต่างๆที่มีให้นั้นเป็นการเรียกคืนความแม่นยำ
ความแม่นยำหรือ F - คะแนนใดๆ ข้ามการตรวจสอบสำหรับ
ซึ่งจะช่วยทำให้ข้อมูลทั้งหมดที่จะใช้ในการขอรับการประเมินได้
ซึ่งจะช่วยมากที่สุดโดยทั่วไปเป็นหนึ่งความปรารถนาในการประเมินความถูกต้องแม่นยำของ
ลักษณนามใน สภาพแวดล้อม การตรวจสอบ - การเรียนรู้
ซึ่งจะช่วยในการตั้งค่าดังกล่าวจำนวนหนึ่งของข้อมูลมีข้อความเป็น
หนึ่งและจัดให้บริการความปรารถนาในการทำนายได้อย่างดี
ลักษณนามบางอย่างที่จะดำเนินการหากมีข้อมูลที่จะใช้ในการรถไฟ
ซึ่งจะช่วยให้ข้าวและต่อมาถามไปยังป้าย
ข้อมูลมองไม่เห็น การใช้ 10 - พับแบบการตรวจสอบหนึ่งซ้ำหลายครั้ง
ใช้ 90% ของข้อมูลที่ใช้ในการสร้างรุ่นและ
การทดสอบความแม่นยำใน 10% ที่เหลือ
ซึ่งจะช่วยส่งผลให้ความแม่นยำโดยเฉลี่ยแล้วมีแนวโน้มว่าอาจจะให้ประเมิน
ตามมาตรฐานในความถูกต้องเป็นจริงเมื่อรุ่นที่ได้รับการฝึก
ในข้อมูลทั้งหมดและได้รับการทดสอบแล้วกับข้อมูลมองไม่เห็นแต่ในกรณีส่วนใหญ่
ซึ่งจะช่วยประมาณการนี้เป็นสิ่งที่เชื่อถือได้โดยเฉพาะถ้าจำนวนของ
ซึ่งจะช่วยระบุว่าข้อมูลมีขนาดใหญ่เพียงพอและหากข้อมูลมองไม่เห็น
ซึ่งจะช่วยโดยมีรายละเอียดดังนี้การจัดจำหน่ายเหมือนกับมีข้อความตัวอย่าง.
ได้