In Section 2, we review the notion

In Section 2, we review the notion of calibration of probability
estimates and show that although the scores produced by naive
Bayes and support vector machine (SVM) classifiers tend to rank
examples well, they are not well-calibrated. In Section 3, we review
previous methods for mapping two-class scores into probability estimates,
explain their shortcomings and present our new method.
In Section 4 we discuss how to combine calibrated two-class probability
estimates into calibrated multiclass probability estimates. In
Section 5 we present an experimental evaluation of these methods
applied to naive Bayes and SVM scores in a variety of domains.
Finally, in Section 6 we summarize the contributions of this paper
and suggest directions for future work.

ผลลัพธ์ (ไทย) 1:

ในส่วน 2 ทบทวนแนวคิดของการปรับเทียบความน่าเป็นประเมิน และแสดงว่าถึงแม้ว่าคะแนนผลิต โดยขำน่าคำนามภาษาเครื่อง (SVM) เวกเตอร์ Bayes และสนับสนุนมักจะจัดอันดับตัวอย่างดี พวกเขาจะไม่เชิญ calibrated ใน 3 ส่วน ทบทวนประเมินวิธีการก่อนหน้านี้สำหรับการแมปชั้น 2 คะแนนเป็นความน่าเป็นอธิบายการแสดง และนำเสนอวิธีการใหม่ของเราใน 4 ส่วน เราหารือเกี่ยวกับวิธีการรวมความน่าเป็นชั้น 2 ปรับเทียบประเมินเข้าประเมินปรับเทียบ multiclass ความน่าเป็น ใน5 ส่วนที่เรานำเสนอวิธีการประเมินทดลองใช้กับขำน่า Bayes และ SVM คะแนนหลายโดเมนสุดท้าย 6 ส่วน เราสรุปผลงานของเอกสารนี้และแนะนำเส้นทางสำหรับการทำงานในอนาคต

ผลลัพธ์ (ไทย) 2:

ในส่วนที่ 2
เราทบทวนความคิดของการสอบเทียบของความน่าจะประมาณและแสดงให้เห็นว่าแม้จะมีคะแนนที่ผลิตโดยไร้เดียงสา
Bayes และการสนับสนุนเครื่องเวกเตอร์ (SVM)
จําแนกมีแนวโน้มที่จะจัดอันดับตัวอย่างที่ดีพวกเขาจะไม่ดีที่สอบเทียบ ในส่วนที่ 3 เราตรวจสอบวิธีการก่อนหน้าสำหรับการทำแผนที่คะแนนสองชั้นเข้าไปในประมาณการน่าจะอธิบายข้อบกพร่องของพวกเขาและนำเสนอวิธีการใหม่ของเรา. ในมาตรา 4 ที่เราหารือถึงวิธีการนวดและการสอบเทียบความน่าจะเป็นสองชั้นประมาณการลงในการสอบเทียบประมาณการน่าจะเป็นแบบหลาย ในหมวดที่ 5 เรานำเสนอการประเมินผลการทดลองวิธีการเหล่านี้นำไปใช้กับคะแนนที่ไร้เดียงสาBayes และ SVM ในความหลากหลายของโดเมน. สุดท้ายในมาตรา 6 ที่เราสรุปผลงานของบทความนี้และแนะนำเส้นทางสำหรับการทำงานในอนาคต

ผลลัพธ์ (ไทย) 3:

ในส่วนที่ 2 ที่เราตรวจสอบความคิดของการประมาณความน่าจะเป็น
และแสดงให้เห็นว่าแม้ว่าคะแนนที่ผลิตโดย Bayes ไร้เดียงสา
และเครื่องเวกเตอร์สนับสนุน ( SVM ) ลักษณนามมีแนวโน้มที่จะจัดอันดับ
ตัวอย่างดี พวกเขาจะไม่ได้ดีขนาด ในส่วนที่ 3 เราทบทวน
วิธีก่อนหน้านี้สำหรับการทำแผนที่ 2 ห้อง คะแนนในการประเมินความน่าจะเป็น
อธิบายข้อบกพร่องของพวกเขา และเสนอวิธีการใหม่ของเรา
ในมาตรา 4 ที่เราหารือถึงวิธีการรวมปรับประมาณการลงเรียนสองความน่าจะเป็น
หลายปรับประมาณการความน่าจะเป็น . ในหมวดที่ 5 การประเมินเราปัจจุบัน

ทดลองวิธีการเหล่านี้ใช้กับ Bayes ไร้เดียงสาและ SVM คะแนนในความหลากหลายของโดเมน .
ในที่สุด ในมาตรา ๖เราสรุปการเขียน
กระดาษนี้ และแนะนำเส้นทางสำหรับการทำงานในอนาคต