训练错误率并不能准确反映分类器性能的好坏。

可以利用分类器错误率的大小作为设定特征评价准则的依据。

假设某分类器在一个测试数据集上的分类结果的混淆矩阵如下所示，请计算该分类器的错误率，以类别yes为正例，计算分类器的查准率precision为 %。【保留到整数位】 Predicted yes no Actual yes 15 5 no 10 20

变压器效率的大小反映了变压器运行（）的好坏，是表征变压器运行性能的重要指标之一。

作为分类器的性能评价方法，K折交叉验证把数据集划分为K份，其中K-1份作为训练集，1份作为测试集，全部轮流使用，总计循环（）次来评估算法的性能。

样本表示过程是将样本表示为（）的集合。

征的提取和选择对分类器的性能也有很大的影响。

一种分类器的性能评价方法是k折交叉验证，其中k越大越好, 越大的k必定会提高分类准确率。

为进行分类模型的训练和性能评价，需要将输入的标注数据划分为（）。

机构传力性能的好坏可用 来衡量。

采用体外消化实验并不能准确地量化饲料中粗蛋白被动物消化利用的程度。