摘要：自动对建成基础设施进行分类是全球规划的需要。然而，单个指标存在弱点，包括与裸地光谱混淆，并且深度学习的计算要求很高。我们提出了一种计算量轻量的方法来对建成基础设施进行分类。我们使用一组光谱指标和一个新颖的红波段纹理层，其全局阈值由 12 个不同站点（每个站点两个季节性变化的图像）确定。使用 Sentinel-2 影像评估了多个光谱指标。我们的纹理指标使用红波段将建成基础设施与光谱相似的裸地分开。我们的评估通过评估 24 张图像中一系列特定于站点的最佳指标阈值的地面真实点来产生全局阈值。这些用于对集合进行分类，然后使用光谱指标、纹理和分层随机抽样指导训练数据选择。训练数据适合随机森林分类器
An Off-Beat Approach to Train-Test-Validation Split Your Dataset
确保小数据集分割的分布完整性使用 Microsoft Designer 生成我们都需要对总体进行抽样，以进行统计分析并获得见解。当我们这样做时，目的是确保样本的分布与总体的分布紧密匹配。为此，我们有各种方法：简单随机抽样（其中每个总体成员都有相同的被选中的机会）、分层抽样（包括将总体划分为子组并从每个子组中抽样）、聚类抽样（其中将总体划分为簇并随机选择整个簇）、系统抽样（包括选择总体的每第 n 个成员）等。每种方法都有其优势，并根据研究的特定需求和特点进行选择。在本文中，我们不会关注抽样方法本身，而是关注使用这些概念将用于机器学习方法的数据集拆分为训练-测试-验证集。这些方法适用于所有类型的表
美国政府问责署发现国防部 (DOD) 通过 TRICARE 为 900 多万受益人（包括服役人员、退休人员及其符合条件的家庭成员）提供医疗保健。所提供的医疗保健包括行为健康护理，包括精神健康状况和物质使用障碍的治疗。TRICARE 受益人可以在国防部设施或通过 TRICARE 东部和西部地区的民间医疗服务提供者网络接受护理。管理这些网络的承包商在每个地区提供在线医疗服务提供者目录，以帮助受益人从网络医疗服务提供者处获得护理。这些承包商必须确保目录中 100 多万家医疗服务提供者列表的准确性，并通过专有方法每月对所有医疗服务提供者列表样本进行审核来做到这一点。国防部则监控这些审核的结果，以确保网
美国政府问责局的发现退伍军人上诉委员会 (Board) 有一个质量保证 (QA) 流程和相关的决策准确性衡量标准。具体来说，其 QA 流程包括：1) 每月通过案件审查流程检查随机抽样的决策草案是否存在委员会定义的某些类型的错误；2) 监控进一步上诉至美国退伍军人索赔上诉法院 (CAVC) 的委员会决策结果。委员会利用这些活动的结果提供各种干预措施，例如向退伍军人法官 (VLJ) 提供个人反馈或培训。委员会还计算并发布代表无错误裁决的准确率。但是，美国政府问责局发现委员会计算此指标的过程存在不足。与联邦内部控制标准相反，GAO 发现委员会没有：(1) 制定计算其准确率或管理案例审查错误数据的书面
