مقاله مقایسه تجربی بین اعتبارسنجی مقابله ای و اعتبار سنجی جهش در انتخاب مدل

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Empirical Comparison between Cross-Validation and Mutation-Validation in Model Selection
عنوان مقاله به فارسی مقاله مقایسه تجربی بین اعتبارسنجی مقابله ای و اعتبار سنجی جهش در انتخاب مدل
نویسندگان Jinyang Yu, Sami Hamdan, Leonard Sasse, Abigail Morrison, Kaustubh R. Patil
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 0
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 23 November, 2023; originally announced November 2023.
توضیحات به فارسی ارسال شده 23 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد.

چکیده

Mutation validation (MV) is a recently proposed approach for model selection, garnering significant interest due to its unique characteristics and potential benefits compared to the widely used cross-validation (CV) method. In this study, we empirically compared MV and $k$-fold CV using benchmark and real-world datasets. By employing Bayesian tests, we compared generalization estimates yielding three posterior probabilities: practical equivalence, CV superiority, and MV superiority. We also evaluated the differences in the capacity of the selected models and computational efficiency. We found that both MV and CV select models with practically equivalent generalization performance across various machine learning algorithms and the majority of benchmark datasets. MV exhibited advantages in terms of selecting simpler models and lower computational costs. However, in some cases MV selected overly simplistic models leading to underfitting and showed instability in hyperparameter selection. These limitations of MV became more evident in the evaluation of a real-world neuroscientific task of predicting sex at birth using brain functional connectivity.

چکیده به فارسی (ترجمه ماشینی)

اعتبار سنجی جهش (MV) یک رویکرد اخیراً پیشنهادی برای انتخاب مدل است ، به دلیل ویژگی های منحصر به فرد و مزایای بالقوه در مقایسه با روش اعتبار سنجی متقابل (CV) که مورد استفاده قرار می گیرد ، علاقه قابل توجهی کسب می کند.در این مطالعه ، ما CV MV و $ $ $-flouge را با استفاده از مجموعه داده های معیار و دنیای واقعی مقایسه کردیم.با استفاده از تست های بیزی ، ما برآوردهای عمومی را با سه احتمال خلفی مقایسه کردیم: هم ارزی عملی ، برتری CV و برتری MV.ما همچنین تفاوت در ظرفیت مدل های انتخاب شده و راندمان محاسباتی را ارزیابی کردیم.ما دریافتیم که هر دو مدل MV و CV با عملکرد کلی سازی عملا معادل آن در الگوریتم های مختلف یادگیری ماشین و اکثر مجموعه داده های معیار انتخاب شده اند.MV از نظر انتخاب مدل های ساده تر و پایین آمدن هزینه های محاسباتی مزایایی را به نمایش گذاشت.با این حال ، در بعضی موارد MV مدلهای بسیار ساده ای را انتخاب می کند که منجر به زیربنایی می شود و بی ثباتی در انتخاب هایپرپارامتر نشان می دهد.این محدودیت های MV در ارزیابی یک کار علوم عصبی در دنیای واقعی پیش بینی رابطه جنسی در بدو تولد با استفاده از اتصال عملکردی مغز مشهودتر شد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.