Leave-One-Out Cross Validation Sinc

Leave-One-Out Cross Validation Since we are informed of the correct classification of only N 0 nodes ( N 0 = 15 in our case), in a given round we only use ( N 0 − 1 ) of them as the training set, while leaving one out for cross validation (C-V). At every round, the next correctly classified node is left out and the others serve as the training set; then the trained hypothesis is tested on the left-out node. In this way, by averaging N 0 rounds without overlapping, the errors for both the training set and the cross validation set can be evaluated.

結果 (中文) 1:

离开一出交叉验证因为我们被告知只有 N 0 的正确分类的节点 (在本例中 N 0 = 15)，在给定的一轮，我们只能使用 （N 0 − 1） 他们作为训练集，同时留下一出交叉验证 (C-V)。在每一轮，被遗漏或下一个正确分类的节点和其他人作为训练集;然后受过训练的假说是左出节点上进行测试。以这种方式，通过平均 N 0 轮无重叠，这两个训练集的误差和交叉验证设置可以进行评估。

結果 (中文) 2:

留一交叉验证既然我们（在我们的情况下，N 0 = 15）通知n只有0节点的正确分类，在给定的轮我们只用（N 0 - 1）它们作为训练集，而留下一出交叉验证（CV）。在每一轮中，下一个正确分类节点被遗漏和其他作为训练集; 然后经训练的假说是左输出节点上进行测试。以这种方式，通过不重叠平均否0轮，为训练集和交叉验证集两者中的错误可以被评估。

結果 (中文) 3:

留一交叉验证后告诉我们只有N 0节点的正确分类（n 0 = 15在我们的情况下），在一个给定的圆我们只使用（N 0−1）他们作为训练集，而留一交叉验证（C-V）。在每一轮，下一个正确分类的节点被排除，其他作为训练集，然后训练有素的假设测试的左出节点。在这种方式中，平均n 0轮没有重叠，训练集和交叉验证集的错误可以被评估。