杰弗里·布拉德福德。;卡拉·E·布罗德利。 实例空间划分对显著性的影响。 (英语) Zbl 0969.68127号 机器。学习。 42,第3期,269-286(2001). 小结:本文通过实验证明,根据将实例划分为交叉验证折叠的结果,得出哪种归纳算法更准确的结论可能会导致统计上的错误结论。通过比较两种决策树归纳法和一种朴素贝叶斯归纳法,我们发现,在训练实例的一个分区中,一种算法在(p=0.05)级别上被判断为更准确,而另一种算法则在另一个分区的(p=0.0.05)级别上更准确。我们建议使用一个新的重要性过程,该过程涉及使用多实例空间分区执行交叉验证。通过对每个交叉验证分区的结果分别应用成对学生测试,求其平均值,并将该平均值转换为显著性值,从而确定显著性。 引用于1文件 MSC公司: 68T05年 人工智能中的学习和自适应系统 关键词:显著性的统计检验;交叉验证 PDF格式BibTeX公司 XML格式引用 \textit{J.P.Bradford}和\textit{C.E.Brodley},马赫。学习。42,第3号,269-286(2001年;兹bl 0969.68127) 全文: 内政部