Examples of using Training set in English and their translations into Korean
{-}
-
Colloquial
-
Ecclesiastic
-
Ecclesiastic
-
Programming
-
Computer
Training set.
훈련 집합.So in pictures, if your training set looks like this.
그러므로 그림에서, 트레이닝 세트가 만약 이렇게 생겼으면.Training set.
트레이닝 셋.And you can see, that the training set accuracy does decrease.
그리고 보시다시피, 훈련 세트의 정확도가 떨어졌으며.Training set.
트레이닝 집합.The blue cloud of points represents a training set of x0, y pairs.
점들의 푸른 클라우드는 x0, y 쌍의 훈련 세트를 나타냅니다.The training set is used to teach the network.
훈련 세트는 네트워크를 가르치는 데 사용됩니다.But the things in the hidden layer are not seen in the training set.
숨겨진 층에 있는 것들은 트레이닝 세트에서 보이지 않습니다.But if you have a small label training set for the named entity recognition task.
그러나 지정된 엔티티 인식 작업에 대해 지정된 작은 레이블 교육 세트가 있는 경우.We can see that the first result has perfect accuracy on the training set.
우리는 첫 번째 결과가 훈련 세트에서 완벽히 정확한 것을 볼 수 있습니다.The training set will be used for model fitting, and the test set for final model evaluation.
모델은 Training Set을 사용해서 학습하고, 최종적인 성능 비교는 Test Set으로 하게 됩니다.This is what you do if you have a pretty small training set for your task.
이것이 바로 작업을 위해 아주 작은 트레이닝 세트를 가지고 있을때 여러분이 하는 일입니다.If you inspect the first image in the training set, you will see that the pixel values fall in the range of 0 to 255.
훈련 세트에 있는 첫 번째 이미지를 보면 픽셀 값의 범위가 0~255 사이라는 것을 알 수 있습니다.Easily create and manage testing and training sets.
테스트 및 학습 집합을 간편하게 만들고 관리합니다. Easily create and manage testing and training sets.As you can see, the training set score of Ridge is lower than for LinearRegression, while the test set score is higher.
결과를 보니 훈련 세트에서의 점수는 LinearRegression보다 낮지만 테스트 세트에 대한 점수는 더 높습니다.Loss function is essentially a sum of losses on each example from training set.
왜냐하면 손실 기능은 기본적으로 트레이닝 세트에서 나온 각각의 예들에 발생하는 손실의 합계이기 때문입니다.Grover clocks in with 92 percent accuracy based on a training set of 5,000 neural network-generated fake news samples.
Grover는 5,000 개의 신경망으로 생성 된 가짜 뉴스 샘플의 교육 세트를 기반으로 하여 92 %의 정확성을 제공한다.For example, high accuracy might indicate that test data has leaked into the training set.
예를 들어 정확도가 높음은 테스트 데이터가 학습 집합에 유출되었음을 나타낼 수 있습니다.Try out different model complexities(n_degree) and training set sizes(n_subset) to gain some intuition of what is happening.
다른 모델의 복잡도 (n_degreee)와 학습 셋 크기(n_subset)를 적용해서 어떤 일이 발생하는지에 대한 직감을 얻어보세요.Of course, when testing our network we will ask it to recognize images which aren't in the training set!
당연히 우리의 network를 테스트 할 때에는 training set에서 사용했던 이미지들은 사용하지 않을 것이다!And if the training set is too small(see law of large numbers), we won't learn enough and may even reach inaccurate conclusions.
그리고 교육 세트가 너무 작으면 (많은 수의 법칙 참조), 우리는 충분히 배우지 못하고 부정확한 결론에 도달 할 수도 있습니다.In fact, there is an exciting new research area called data programming, which unifies techniques for the programmatic creation of training sets.
사실 데이터 프로그래밍이라 불리는 흥미로운 새 연구 영역이 있는데, 이는 트레이닝 세트의 프로그램적인 개발을 위한 기법을 통칭합니다.Because training sets are finite and the future is uncertain, learning theory usually does not yield guarantees of the performance of algorithms.
훈련 세트가 유한하고 미래가 불확실하기 때문에 학습 이론은 보통 알고리즘의 성능을 보증하지 않습니다.Specify whether the source data should be separate into a training set and testing set. .
학습 집합 및 테스트 집합에 별도의 원본 데이터를 설정할지 여부를 지정합니다. Specify whether the source data should be separate into a training set and testing set.Even with an augmented and enriched training set, there is no substitute for images created by end-users in a variety of environmental conditions.
보강되고 강화된 훈련 세트를 만들기는 했지만 다양한 환경 조건에서 최종 사용자가 만든 이미지를 대체할 만한 것은 없습니다.This value does not affect the number of cases in the training set; instead, it ensures that the partition can be repeated.
이 값은 학습 집합의 사례 수에 영향을 주는 대신 파티션이 반복될 수 있도록 합니다. This value does not affect the number of cases in the training set; instead, it ensures that the partition can be repeated.We repeatedly run through the training set, and each time we encounter a training example, we update the parameters according to the gradient of the error with respect to that single training example only.
이러한 방식으로, 우리는 반복적으로 훈련 세트를 통해 실행하고, 우리가 For example, if a certain class is very frequent in the training set, it will tend to dominate the majority voting of the new example(large number= more common).
예를 들어, 특정 클래스가 학습 집합에서 매우 빈번한 경우 새 예제의 과반수 투표를 지배하는 경향이 있습니다(큰 숫자 = 더 일반적).If you expect many fewer support vectors than observations in the training set, then you can significantly speed up convergence by shrinking the active set using the name-value pair argument'ShrinkagePeriod'.
훈련 세트에서 서포트 벡터의 개수가 관측값보다 훨씬 적을 거라 예상되는 경우, 이름-값 쌍의 인수 'ShrinkagePeriod' 를 사용하여 활성 세트를 축소함으로써 수렴되는 속도를 상당히 높일 수 있습니다.If the algorithm is model-based, it tunes some parameters to fit the model to the training set(i.e., to make good predictions on the training set itself), and then hopefully it will be able to make good predictions on new cases as well.
학습 알고리즘이 모델 기반이면 훈련 세트에 모델을 맞추기 위해 파라미터를 조정하고(즉, 훈련 세트에서 좋은 예측을 만들기 위해), 새로운 데이터에서도 좋은 예측을 만들 거라 기대합니다.
