These results indicated that accura

These results indicated that accurate classification can be achieved from relatively small regions of the spectra, by means of imposing penalties in the models to reduce the number of explicit variables. The α parameter controls the
mixing between Ridge and LASSO regression. Ridge regression (α¼0) imposes a L2-penalty to the model inducing coefficient shrinkage, while LASSO regression (α¼1) imposes a L1-penalty which expects many predictors to be close to zero and a small subset to be nonzero, providing automatic variable selection [22]. LASSO presents some limitations if there is a group of variables among which the pairwise correlations are very high, because it

ผลลัพธ์ (ไทย) 2:

ผลการศึกษานี้ชี้ให้เห็นว่าถูกต้องไอออนบวกไฟคลาสสิกที่สามารถทำได้จากภูมิภาคค่อนข้างเล็กของสเปกตรัมโดยใช้วิธีการจัดเก็บภาษีการลงโทษในรูปแบบที่จะลดจำนวนของตัวแปรอย่างชัดเจน พารามิเตอร์αควบคุม
การผสมระหว่างสันและการถดถอย LASSO สันถดถอย (α¼0) กำหนด L2-โทษกับรูปแบบการชักนำ COEF ไฟเพียงพอการหดตัวในขณะที่การถดถอย LASSO (α¼1) กำหนด L1-โทษซึ่งคาดว่าการพยากรณ์จำนวนมากจะใกล้เคียงกับศูนย์และย่อยเล็ก ๆ ที่จะเป็นศูนย์ให้อัตโนมัติตัวแปรตัวเลือก [ 22] LASSO นำเสนอข้อ จำกัด บางอย่างถ้ามีกลุ่มของตัวแปรในระหว่างที่ความสัมพันธ์จากจำนวนที่สูงมากเพราะมัน

ผลลัพธ์ (ไทย) 3:

โดยการกำหนดบทลงโทษในรูปแบบเพื่อลดจำนวนตัวแปรที่ชัดเจน การαพารามิเตอร์การควบคุม
ผสมระหว่างสันเขาและเชือกการถดถอย จ๋า ( α¼ 0 ) เรียกเก็บค่าปรับ L2 กับรูปแบบกระตุ้น coef จึง cient การหดตัวในขณะที่บ่วงถดถอย ( α¼ 1 ) เก็บ L1 โทษซึ่งคาดว่าหลายตัวจะเข้าใกล้ศูนย์และมีศูนย์ย่อยขนาดเล็ก ,ในขณะที่บ่วงถดถอย ( α¼ 1 ) เก็บ L1 โทษซึ่งคาดว่าหลายตัวจะเข้าใกล้ศูนย์และย่อยขนาดเล็กเป็น 0 ให้เลือกโดยอัตโนมัติตัวแปร [ 22 ] บาศเสนอข้อจำกัดหากมีกลุ่มของตัวแปรระหว่างที่ความสัมพันธ์คู่จะสูงมาก เพราะผลการทดลองที่ถูกต้อง การ classi จึงสามารถทำได้จากที่ค่อนข้างเล็กของภูมิภาคนี้ โดยการกำหนดบทลงโทษในรูปแบบเพื่อลดจำนวนตัวแปรที่ชัดเจน การαพารามิเตอร์การควบคุม
ผสมระหว่างสันเขาและเชือกการถดถอย จ๋า ( α¼ 0 ) เรียกเก็บค่าปรับ L2 ไปแบบ coef จึง cient inducing หดตัว