As discussed in Section 7.3.7, the

As discussed in Section 7.3.7, the choice of the right evaluation procedure for a given application depends on the accepted level of the bias vs. variance tradeoff, the size of the dataset, the regression algorithm, and the available computational resources. Most evidence suggests that the bias vs. variance tradeoff is best handled by the k-fold cross-validation procedure with k set to 10 or 20, particularly repeated several times. Whereas the .632 bootstrap procedure should also yield nearly unbiased and low-variance performance estimators for algorithms that are not prone to overfitting, in practice it is often hardly possible to completely eliminate the risk of overfitting a priori, which result in .632 bootstrap performance estimates being overly optimistic. The leave-one-out procedure should be rather avoided, except for small datasets where all other evaluation procedures would be considerably biased. The hold-out procedure is, conversely, best suited to very large datasets, for which other evaluation procedures would be too expensive and for which considerably smaller training samples would have to be used anyway due to computational constraints.

ผลลัพธ์ (ไทย) 1:

ตามที่กล่าวไว้ในส่วน 7.3.7 ทางเลือกของกระบวนการประเมินที่เหมาะสมสำหรับโปรแกรมประยุกต์ที่กำหนดขึ้นอยู่กับระดับการยอมรับของอคติเจอข้อดีข้อเสียต่าง ขนาดของชุดข้อมูล วิธีการถดถอย และคำนวณทรัพยากรมีอยู่ หลักฐานส่วนใหญ่แนะนำว่า อคติเจอข้อดีข้อเสียต่างสุดจัดการ โดยขั้นตอนการตรวจสอบข้าม k พับ k ตั้ง 10 หรือ 20 โดยเฉพาะอย่างยิ่งซ้ำหลายครั้ง ในขณะที่กระบวนการเริ่มต้นระบบที่.632 ควรให้ผลผลิตเกือบกลาง และต่ำผลต่างประสิทธิภาพ estimators อัลกอริทึมที่ไม่มีแนวโน้มการ overfitting ในทางปฏิบัติก็มักจะไม่สมบูรณ์กำจัดความเสี่ยงของการ overfitting นิรนัย ซึ่งผลในการทำงานเริ่มต้นที่.632 ประเมินการในเชิงบวกมากเกินไป ขั้นตอนหนึ่งลาออกค่อนข้างเลี่ยง ยกเว้นสำหรับชุดข้อมูลขนาดเล็กซึ่งกระบวนการประเมินผลอื่น ๆ ทั้งหมดจะมากลำเอียง ขั้นตอนค้างออก เหมาะสมที่สุดกับชุดข้อมูลขนาดใหญ่มาก สำหรับกระบวนการประเมินผลอื่น ๆ ซึ่งจะแพงเกินไป และตัวอย่างการฝึกอบรมซึ่งมีขนาดเล็กมากจะต้องใช้ต่อเนื่องจากข้อจำกัดเชิงคำนวณ

ผลลัพธ์ (ไทย) 2:

ตามที่กล่าวไว้ในมาตรา 7.3.7 ทางเลือกของขั้นตอนการประเมินผลที่เหมาะสมสำหรับการใช้งานที่กำหนดขึ้นอยู่กับการได้รับการยอมรับในระดับของการมีอคติกับถ่วงดุลอำนาจแปรปรวนขนาดของชุดข้อมูลขั้นตอนวิธีการถดถอยและทรัพยากรคอมพิวเตอร์ที่มีอยู่ หลักฐานที่แสดงให้เห็นว่าส่วนใหญ่มีอคติกับความแปรปรวนถ่วงดุลอำนาจมีการจัดการที่ดีที่สุดโดยขั้นตอนการตรวจสอบข้าม K-พับกับ K ตั้งค่าเป็น 10 หรือ 20 โดยเฉพาะอย่างยิ่งซ้ำหลายครั้ง ขณะที่ขั้นตอนการบูต 0.632 นอกจากนี้ยังควรให้ผลผลิตประมาณเกือบประสิทธิภาพการทำงานที่เป็นกลางและต่ำแปรปรวนสำหรับขั้นตอนวิธีการที่ไม่ได้มีแนวโน้มที่จะอิงในทางปฏิบัติก็มักจะเป็นไปได้แทบจะสมบูรณ์กำจัดความเสี่ยงของการ overfitting เบื้องต้นซึ่งส่งผลให้ประสิทธิภาพการทำงานที่ 0.632 บูต ประมาณการเป็นในแง่ดีเกินไป ออกจากหนึ่งออกขั้นตอนที่ควรหลีกเลี่ยงค่อนข้างยกเว้นสำหรับชุดข้อมูลขนาดเล็กที่ขั้นตอนการประเมินผลอื่น ๆ ทั้งหมดจะได้รับการลำเอียงอย่างมาก ขั้นตอนการถือเอาต์คือตรงกันข้ามเหมาะที่สุดที่จะชุดข้อมูลขนาดใหญ่มากซึ่งขั้นตอนการประเมินผลอื่น ๆ จะมีราคาแพงเกินไปและที่ตัวอย่างการฝึกอบรมที่มีขนาดเล็กมากจะต้องใช้อยู่แล้วเนื่องจากข้อ จำกัด ของการคำนวณ