The simplest network constructed fr

The simplest network constructed from FDA solution gives classifi-
cation error which is as good as the original FDA. For such datasets
[12] as Wisconsin breast cancer, hepatitis, Cleveland heart disease or
diabetes the network obtains better results already before the learning
process starts, but for some datasets this is not the best approach
since separation of a single class from all others may be difficult.
Suppose that vectors from class C1 are not separated well by FDA
procedure from all other vectors. In such a case separation from individual
classes may still work (since weights are computed from
means of classes), or classes should be broken into several subclasses
(clusters) before applying FDA. The weights depend directly
on the selection of the vectors used to compute X¯2 mean, giving us a
lot of flexibility in their selection. This leads to a more sophisticated
construction of the network, with several hidden neurons per class
and one output neuron per class connected to those hidden layer
units that discriminate this class from all others. The hidden-output
layer weights are all equal to 1.0 and the bias is determined by selecting
the smallest activation of the output unit after presentation of
all vectors from a given class.

ผลลัพธ์ (ไทย) 1:

เครือข่ายที่ง่ายที่สุดที่สร้างจาก FDA โซลูชันให้ classifi-ผิดพลาด cation ที่ดีเป็นองค์การอาหารและยาฉบับ สำหรับ datasets ดังกล่าว[12] เป็นวิสคอนซินเต้านมโรคมะเร็ง โรค โรคหัวใจคลีฟแลนด์ หรือโรคเบาหวานเครือข่ายได้รับผลลัพธ์ที่ดีขึ้นแล้วก่อนการเรียนรู้กระบวนการเริ่มต้น แต่สำหรับ datasets บาง นี่ไม่ใช่วิธีดีที่สุดเนื่องจากการแบ่งแยกชั้นเดียวจากคนอื่นทั้งหมดอาจเป็นเรื่องยากสมมติว่า เวกเตอร์จากคลาส C1 ไม่ยอดีองค์การอาหารและยาขั้นตอนจากเวกเตอร์อื่น ๆ ในดังกล่าวเป็นกรณีถูกแยกจากแต่ละคนเรียนอาจยังคงทำงาน (เนื่องจากน้ำหนักที่คำนวณจากวิธีการเรียน), หรือเรียนควรแบ่งเป็นหลายระดับ(คลัสเตอร์) ก่อนที่จะใช้องค์การอาหารและยา น้ำหนักขึ้นอยู่โดยตรงเลือกเวกเตอร์ที่ใช้ในการคำนวณค่าเฉลี่ย X¯2 ให้เราเป็นจำนวนมากมีความยืดหยุ่นในการเลือก นี้นำไปสู่ความซับซ้อนมากขึ้นสร้างเครือข่าย กับ neurons ซ่อนหลายต่อคลาสและหนึ่งผลเซลล์ประสาทต่อชั้นเชื่อมต่อกับชั้นที่ซ่อนอยู่หน่วยที่เหยียดชั้นนี้จากคนอื่นทั้งหมด การซ่อนแสดงผลน้ำหนักชั้นมีทั้งหมดเท่ากับ 1.0 และความโน้มเอียงจะถูกกำหนด โดยการเลือกเปิดใช้งานน้อยที่สุดของหน่วยผลผลิตหลังจากที่นำเสนอเวกเตอร์ทั้งหมดจากระดับที่กำหนด

ผลลัพธ์ (ไทย) 2:

เครือข่ายที่ง่ายที่สุดในการแก้ปัญหาการสร้างขึ้นมาจากองค์การอาหารและยาให้ classifi-
ข้อผิดพลาดไอออนซึ่งเป็นดีเท่าที่องค์การอาหารและยาเดิม สำหรับชุดข้อมูลดังกล่าว
[12] เป็นวิสคอนซินมะเร็งเต้านม, โรคตับ,
โรคหัวใจคลีฟแลนด์หรือโรคเบาหวานเครือข่ายได้รับผลลัพธ์ที่ดีกว่าอยู่แล้วก่อนที่จะเรียนรู้ขั้นตอนการเริ่มต้น
แต่สำหรับชุดข้อมูลบางส่วนนี้ไม่ได้เป็นวิธีที่ดีที่สุดนับตั้งแต่การแยกชั้นเดียวจากคนอื่น ๆ อาจจะ เป็นเรื่องยาก. สมมติว่าเวกเตอร์จากชั้น C1 ไม่ได้แยกออกจากกันอย่างดีจากองค์การอาหารและยาขั้นตอนจากเวกเตอร์อื่นๆ เช่นในกรณีที่แยกจากบุคคลชั้นเรียนอาจจะยังคงทำงาน(ตั้งแต่น้ำหนักจะคำนวณจากวิธีการของการเรียน) หรือชั้นเรียนควรจะแบ่งออกเป็นหลาย subclasses (กลุ่ม) ก่อนที่จะใช้องค์การอาหารและยา น้ำหนักโดยตรงขึ้นอยู่กับการเลือกของเวกเตอร์ที่ใช้ในการคำนวณ X2 หมายถึงให้เราจำนวนมากที่มีความยืดหยุ่นในการเลือกของพวกเขา นี้นำไปสู่ความซับซ้อนมากขึ้นการสร้างเครือข่ายที่มีเซลล์ประสาทที่ซ่อนอยู่หลายต่อชั้นและเซลล์ประสาทที่ส่งออกต่อหนึ่งชั้นที่เชื่อมต่อไปยังชั้นที่ซ่อนหน่วยงานที่แตกต่างชั้นนี้จากคนอื่นๆ ที่ซ่อนอยู่ผลผลิตน้ำหนักชั้นมีทั้งหมดเท่ากับ 1.0 และอคติจะถูกกำหนดโดยการเลือกเปิดใช้งานหน่วยที่เล็กที่สุดของการส่งออกหลังจากที่นำเสนอของเวกเตอร์จากระดับที่กำหนด

ผลลัพธ์ (ไทย) 3:

ง่ายเครือข่ายสร้างจาก FDA แก้ปัญหาให้ classifi -
การผิดพลาดซึ่งจะดีเท่าต้นฉบับ FDA เช่นข้อมูล
[ 12 ] วิสคอนซินมะเร็งเต้านม , ตับอักเสบ , คลีฟแลนด์ โรคหัวใจ หรือเบาหวานเครือข่ายได้รับผลลัพธ์ที่ดี

เริ่มแล้วก่อนการเรียนรู้ แต่บางข้อมูลนี้ไม่ใช่
วิธีการที่ดีที่สุดตั้งแต่แยกชั้นเดียวจากผู้อื่นทั้งหมดอาจเป็นเรื่องยาก
สมมติว่าเวกเตอร์ห้อง C1 จะไม่แยกจากขั้นตอน FDA
จากเวกเตอร์อื่น ๆทั้งหมด ในกรณีเช่นการแยกจากแต่ละชั้นเรียน
อาจยังคงทำงาน ( เพราะน้ำหนักจะคำนวณจาก
หมายถึงชั้นเรียน ) หรือชั้นควรจะแบ่งออกเป็นหลายคลาส
( คลัสเตอร์ ) ก่อนที่จะใช้ FDA น้ำหนักขึ้นตรง
ในการเลือกใช้คำนวณเวกเตอร์ x ¯ 2 หมายถึง ให้เรา
ความยืดหยุ่นมากในการเลือกของพวกเขา นี้นำไปสู่การสร้างซับซ้อน
เพิ่มเติมของเครือข่ายกับหลายซ่อนเซลล์ประสาทต่อชั้นเรียน
และผลผลิตเซลล์ต่อหนึ่งชั้นเรียนที่เชื่อมต่อกับพวกชั้นซ่อน
หน่วยระหว่างเรียนจากผู้อื่น ซ่อนออก
ชั้นน้ำหนักทั้งหมดเท่ากับ 10 และค่าจะถูกกำหนดโดยการเลือก
เปิดเล็กที่สุดของหน่วยแสดงผลหลังจากการนำเสนอ
เวกเตอร์ทั้งหมดจากให้ชั้น