Results By training the logistic re

Results By training the logistic regression model with our leave-one-out cross validation strategy, λ is optimally set to 1.9 and the overall C-V error is ε = 0.27 (with training error εS = 0). Then, while fixing the chosen λ, we retrain the hypothesis on the maximum training set, making full use of known conspirators and non-conspirators.

結果 (中文) 1:

结果通过培训我们离开一出交叉验证策略的 logistic 回归模型，λ 优化设置到 1.9 和整体的 C-V 错误是 ε = 0.27 (与培训错误 εS = 0)。然后，同时固定空房的 λ，我们再培训上最大的训练集，假设，充分利用已知的阴谋和非同谋。

結果 (中文) 2:

Resultater Ved at træne den logistiske regressionsmodel med vores leave-one-out krydsvalidering strategi, er λ optimalt indstillet til 1,9 og den samlede CV fejl er ε = 0,27 (med træning fejl εS = 0). Så, mens fastsættelse af den valgte λ, vi omskole hypotesen om den maksimale træningssæt, gøre fuld brug af kendte sammensvorne og ikke-sammensvorne.

結果 (中文) 3:

通过与我们的留一交叉验证策略的Logistic回归模型训练的结果，λ优化设置为1.9，总体误差= 0.27（C-Vε训练误差εS = 0）。然后，在固定选择λ，我们需要最大化假设训练集，充分利用已知的同谋者和非阴谋。