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