1. เริ่มต้นด้วยทุก F = {x1, . . จิน

1. เริ่มต้นด้วยทุก F = {x1, . . จิน} ตัวแปร.
2 หากมี hyperparameter P ∈ {P1, . . , Pk} การปรับแต่ง (เช่น NN หรือ SVM)
เริ่มต้นด้วย P1
และผ่านช่วงที่เหลือจนกว่าลักษณะทั่วไปประมาณการลดลง
คำนวณประมาณการทั่วไปของรูปแบบโดยการใช้วิธีการตรวจสอบภายใน ตัวอย่างเช่นถ้าวิธีการไม่ยอมอ่อนข้อจะใช้ข้อมูลที่มีอยู่แยกต่อไปในการฝึกอบรม (เพื่อให้พอดีกับรุ่น) และชุดตรวจสอบ(ที่จะได้รับการคาดการณ์ประมาณการ). 3 หลังจากการปรับรูปแบบการคำนวณ importances ญาติ (Ri) ของจิน∈ F ตัวแปรและลบออกจาก F ป้อนข้อมูลที่เกี่ยวข้องอย่างน้อย ไปที่ขั้นตอนที่ 4 ถ้าเกณฑ์หยุดจะพบมิฉะนั้นกลับไปยังขั้นตอนที่2 4 เลือกที่ดีที่สุด F (P และในกรณีของ NN หรือ SVM) ค่าคือตัวแปรการป้อนข้อมูลและรูปแบบที่ให้ประมาณการคาดการณ์ที่ดีที่สุด สุดท้ายฝึกการกำหนดค่านี้กับข้อมูลที่มีอยู่ทั้งหมด

ผลลัพธ์ (ไทย) 2:

1. เริ่มต้นด้วยทุก F = {x1, . จิน} ตัวแปร.
2 หากมี hyperparameter P ∈ {P1, . , Pk} การปรับแต่ง (เช่น NN หรือ SVM)
เริ่มต้นด้วย (เพื่อให้พอดีกับรุ่น) 3 หลังจากการปรับรูปแบบการคำนวณ importances ญาติ (Ri) ของจิน∈ F ตัวแปรและลบออกจาก F ป้อนข้อมูลที่เกี่ยวข้องอย่างน้อยไปที่ขั้นตอนที่ 4 4 เลือกที่ดีที่สุด F (P และในกรณีของ NN หรือ SVM)

ผลลัพธ์ (ไทย) 3:

1 . เริ่มต้นด้วยทุก F = { X1 , . . จิน } ตัวแปร .
2 หากมี hyperparameter P ∈ { P1 . . pk } การปรับแต่ง ( เช่น NN ค็อค SVM )
เริ่มต้นด้วย P1

และผ่านช่วงที่เหลือจนกว่าลักษณะทั่วไปประมาณการลดลงคำนวณประมาณการทั่วไปของรูปแบบโดยการใช้วิธีการตรวจสอบภายในตัวอย่างเช่นถ้าวิธีการไม่ยอมอ่อนข้อจะใช้ข้อมูลที่มีอยู่แยกต่อไปในการฝึกอบรม ( เพื่อให้พอดีกับรุ่น ) และชุดตรวจสอบ ( ที่จะได้รับการคาดการณ์ประมาณการ )3 หลังจากการปรับรูปแบบการคำนวณสำคัญญาติ ( RI ) ของจิน∈ F ตัวแปรและลบออกจาก F ป้อนข้อมูลที่เกี่ยวข้องอย่างน้อยไปที่ขั้นตอนที่ 4 ถ้าเกณฑ์หยุดจะพบมิฉะนั้นกลับไปยังขั้นตอนที่ 2 4 เลือกที่ดีที่สุด F ( P และในกรณีของต.ค่าคือตัวแปรการป้อนข้อมูลและรูปแบบที่ให้ประมาณการคาดการณ์ที่ดีที่สุดสุดท้ายฝึกการกำหนดค่านี้กับข้อมูลที่มีอยู่ทั้งหมด SVM )