As opposed to defining a single bes

As opposed to defining a single best classification model (or algorithm) for all formations, it was better to use the best classifier for each formation. Using F-1 score as an evaluation metric, the algorithm with the highest F-1 score for a given formation – based on cross validation error – can be used to classify SSI for that formation. Adopting this method will result in a formation dependent classifier as shown in Table 2, Table 5; this was the bag-of-models approach, where the best classification algorithm among many was used for a specific formation based on some evaluation criteria. This method follows the no free lunch theorem in statistics.

結果 (繁體中文) 1:

而不是限定用於所有地層單個最佳分類模型（或算法），這是最好使用最佳分類器的每個的形成。使用F-1得分作為評價指標，以最高的F-1的分數給定地層的算法 - 基於交叉驗證誤差 - 可用於分類SSI為該形成。採用這種方法將導致形成依賴分類示於表2，表5; 這是一袋模型的方法，其中用於基於一些評價標準的特定地層中許多最好的分類算法。這種方法遵循統計沒有免費的午餐定理。

結果 (繁體中文) 2:

與為所有地層定義單個最佳分類模型（或演算法）相反，最好為每個地層使用最佳分類器。使用 F-1 分數作為評估指標，給定地層中具有最高 F-1 分數的演算法（基於交叉驗證誤差）可用於對該編隊的 SSI 進行分類。採用此方法將導致形成依賴分類器，如表 2 表 5 所示;這是模型袋方法，其中許多中最好的分類演算法用於基於某些評估標準的特定地層。此方法遵循統計中不提供免費午餐定理。

結果 (繁體中文) 3:

與為所有編隊定義單個最佳分類模型（或算灋）不同，最好為每個編隊使用最佳分類器。使用F-1得分作為評估名額，基於交叉驗證誤差，給定編隊的F-1得分最高的算灋可用於對該編隊的SSI進行分類。採用這種方法將產生如錶2、錶5所示的依賴於地層的分類器；這是一種模型袋方法，其中基於一些評估標準，對特定地層使用了許多最佳分類算灋。這種方法遵循統計學中的無免費午餐定理。