ترجمه فارسی مقاله بررسی استحکام معیارهای کیفیت برای ارزیابی مدل‌های یادگیری ماشین

چکیده

In this paper the accuracy and robustness of quality measures for the assessment of machine learning models are investigated. The prediction quality of a machine learning model is evaluated model-independent based on a cross-validation approach, where the approximation error is estimated for unknown data. The presented measures quantify the amount of explained variation in the model prediction. The reliability of these measures is assessed by means of several numerical examples, where an additional data set for the verification of the estimated prediction error is available. Furthermore, the confidence bounds of the presented quality measures are estimated and local quality measures are derived from the prediction residuals obtained by the cross-validation approach.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله صحت و استحکام اقدامات کیفیت برای ارزیابی مدل های یادگیری ماشین مورد بررسی قرار گرفته است.کیفیت پیش بینی یک مدل یادگیری ماشین بر اساس یک رویکرد اعتبار سنجی متقاطع ، که در آن خطای تقریب برای داده های ناشناخته تخمین زده می شود ، مستقل از مدل ارزیابی می شود.اقدامات ارائه شده میزان تنوع توضیح داده شده در پیش بینی مدل را تعیین می کند.قابلیت اطمینان این اقدامات با استفاده از چندین مثال عددی ارزیابی می شود ، جایی که یک مجموعه داده اضافی برای تأیید خطای پیش بینی تخمین زده شده در دسترس است.علاوه بر این ، مرزهای اطمینان از اقدامات کیفیت ارائه شده تخمین زده می شود و اقدامات کیفیت محلی از باقیمانده های پیش بینی به دست آمده توسط رویکرد اعتبار سنجی متقابل حاصل می شود.