As crossvalidation essentially comp

As crossvalidation essentially computes a prediction for each example in
the training set, it was soon realized that this information could be used in
more elaborate ways than simply counting the number of correct and incorrect
predictions. One general way to achieve this is Stacking (Wolpert, 1992), which
learns from predictions of base (=level-0) classifiers, via a single meta (=level-1)
classifier. The basic idea of Stacking is to use the predictions of the base classifiers
as attributes in a new training set that keeps the original class labels. This
new meta training set is then used to train the meta classifier which learns to
predict the final class. So for the additional cost of running an appropriate meta
classifier it is possible to utilize all the output generated by a crossvalidation.
Furthermore, the dimensionality of the meta dataset is equal to the number of
classes multiplied by the number of base classifiers3 and thus fairly independent
of the dimensionality of the original dataset. The additional training cost for
the meta classifier is usually much smaller than the training costs for the base
classifiers, especially for large, high-dimensional datasets.

ผลลัพธ์ (ไทย) 1:

เป็น crossvalidation จะเป็นการคาดการณ์สำหรับแต่ละตัวอย่างในการฝึกตั้ง มันเร็ว ๆ นี้ได้ตระหนักว่า ข้อมูลนี้สามารถนำมาใช้วิธีความละเอียดยิ่งขึ้นกว่าเพียงแค่นับจำนวนถูกต้อง และไม่ถูกต้องคาดคะเน วิธีการนี้ประสบความสำเร็จทั่วไปหนึ่งคือ Stacking (Wolpert, 1992), ซึ่งเรียนรู้จากการคาดคะเนของฐาน (=ระดับ 0) คำนามภาษา ผ่าน meta เดียว (=ระดับ 1)classifier ความคิดพื้นฐานของ Stacking จะใช้การคาดคะเนของคำนามภาษาพื้นฐานเป็นแอตทริบิวต์ในชุดฝึกอบรม ที่เก็บป้ายชั้นเดิม นี้แล้วใช้ meta ใหม่ฝึกอบรมชุดฝึก classifier meta ที่เรียนรู้ไปทำนายระดับสุดท้าย ดังนั้นสำหรับค่าใช้จ่ายเพิ่มเติมของ meta ที่เหมาะสมในการทำงานจำเป็นต้องใช้ผลผลิตที่สร้างขึ้น โดยการ crossvalidation classifierนอกจากนี้ dimensionality ของชุดข้อมูล meta จะเท่ากับจำนวนเรียนจึงค่อนข้างอิสระ และคูณ ด้วยจำนวน classifiers3 ฐานของ dimensionality ของชุดข้อมูลเดิม ต้นทุนการฝึกอบรมเพิ่มเติมสำหรับmeta classifier เป็นปกติขนาดเล็กกว่าต้นทุนฝึกอบรมสำหรับฐานคำนามภาษา โดยเฉพาะอย่างยิ่งสำหรับ datasets ขนาดใหญ่ มิติสูง

ผลลัพธ์ (ไทย) 2:

ในฐานะที่เป็น crossvalidation หลักคำนวณการทำนายเช่นในแต่ละชุดการฝึกอบรมมันก็รู้ทันทีว่าข้อมูลเหล่านี้สามารถนำมาใช้ในรูปแบบที่ซับซ้อนมากขึ้นกว่าเพียงแค่การนับจำนวนที่ถูกต้องและไม่ถูกต้องคาดการณ์ วิธีการหนึ่งที่ทั่วไปเพื่อให้บรรลุนี้คือการซ้อน (Wolpert, 1992) ซึ่งเรียนรู้จากการคาดการณ์ของฐาน(= ระดับ 0) จําแนกผ่านทางเมตาเดียว (= ระดับ 1) จําแนก แนวคิดพื้นฐานของการซ้อนคือการใช้การคาดการณ์ของการจําแนกฐานเป็นคุณลักษณะที่อยู่ในชุดการฝึกอบรมใหม่ที่ช่วยให้ฉลากระดับเดิม นี้ชุดการฝึกอบรมเมตาใหม่จะถูกนำมาใช้ในการฝึกอบรมจําแนก meta ที่เรียนรู้ที่จะทำนายชั้นสุดท้าย ดังนั้นสำหรับค่าใช้จ่ายที่เพิ่มขึ้นของใช้เมตาดาต้าที่เหมาะสมลักษณนามมันเป็นไปได้ที่จะใช้ทั้งหมดเอาท์พุทที่สร้างขึ้นโดย crossvalidation ได้. นอกจากมิติของชุดข้อมูลเมตาจะเท่ากับจำนวนของชั้นเรียนคูณด้วยจำนวน classifiers3 ฐานและทำให้เป็นอิสระอย่างเป็นธรรม ของมิติของชุดเดิม ค่าใช้จ่ายในการฝึกอบรมเพิ่มเติมสำหรับการจําแนกเมตามักจะมีขนาดเล็กกว่าค่าใช้จ่ายในการฝึกอบรมสำหรับฐานแยกประเภทโดยเฉพาะอย่างยิ่งสำหรับขนาดใหญ่ชุดข้อมูลสูงมิติ

ผลลัพธ์ (ไทย) 3:

เป็น crossvalidation หลักคำนวณพยากรณ์แต่ละตัวอย่าง
ชุดฝึกอบรม ในไม่ช้ามันก็ตระหนักว่าข้อมูลนี้จะถูกใช้ใน
ประณีตวิธีมากกว่าเพียงแค่การนับที่ถูกต้องและไม่ถูกต้อง
คาดคะเน วิธีหนึ่งเพื่อให้บรรลุนี้คือการวางซ้อนทั่วไป ( โวลเพิร์ต , 1992 ) ซึ่ง
เรียนรู้จากการคาดการณ์ของฐาน ( = level-0 ) คำผ่านเดียว meta ( = 1 )
ลักษณนาม แนวคิดพื้นฐานของการวางซ้อนเพื่อใช้ทำนายของคำฐาน
เป็นแอตทริบิวต์ในชุดฝึกใหม่ให้ป้ายชื่อคลาสเดิม ชุดฝึกอบรมนี้
เมตาใหม่ใช้แล้วรถไฟแบบ meta ซึ่งเรียนรู้
ทำนายระดับสุดท้าย ดังนั้น สำหรับค่าใช้จ่ายเพิ่มเติมที่เหมาะสม meta
วิ่งลักษณนามก็เป็นไปได้ที่จะใช้ทั้งหมดออกที่สร้างขึ้นโดย crossvalidation .
นอกจากนี้ dimensionality ของข้อมูล meta จะเท่ากับจำนวน
เรียนคูณด้วยจำนวน classifiers3 ฐานและดังนั้นจึงค่อนข้างอิสระ
ของ dimensionality ของข้อมูลเดิม ค่าใช้จ่ายในการฝึกอบรมเพิ่มเติมสำหรับ
Meta ลักษณนามคือมักจะน้อยกว่าค่าใช้จ่ายในการฝึกอบรมสำหรับฐาน
คำโดยเฉพาะอย่างยิ่งสำหรับข้อมูล - สูงขนาดใหญ่ .