• A common practice is to split a d

• A common practice is to split a dataset into three parts using the following percentages: 60 percent for training (773 observations), 20 percent for cross-validation (257 observations), and 20 percent for testing (257 observations).
• To optimize the predictive power of the neural network model, both the cross-validation and the training dataset were used simultaneously.
• One the predictive power of the training model reached the optimal level, the neural network weights were saved for the testing data.

ผลลัพธ์ (ไทย) 1:

• A ปฏิบัติทั่วไปจะแบ่งเป็นชุดข้อมูลสามส่วนใช้เปอร์เซ็นต์ต่อไปนี้: ร้อยละ 60 สำหรับการฝึกอบรม (773 สังเกต), ร้อยละ 20 สำหรับตรวจสอบข้าม (257 สังเกต), และ 20 เปอร์เซ็นต์ในการทดสอบ (สังเกตที่ 257) •การเพิ่มประสิทธิภาพพลังงานคาดการณ์ของแบบจำลองโครงข่ายประสาท การตรวจสอบข้ามและชุดข้อมูลการฝึกอบรมได้ใช้กัน •หนึ่งพลังงานคาดการณ์ของแบบจำลองฝึกจนถึงระดับสูงสุด น้ำหนักโครงข่ายประสาทถูกบันทึกไว้ในข้อมูลการทดสอบ

ผลลัพธ์ (ไทย) 2:

•การปฏิบัติร่วมกันคือการแยกชุดออกเป็นสามส่วนโดยใช้เปอร์เซ็นต์ต่อไปนี้: ร้อยละ 60 สำหรับการฝึกอบรม (773 ข้อสังเกต) ร้อยละ 20 สำหรับการตรวจสอบข้าม (257 ข้อสังเกต) และร้อยละ 20 สำหรับการทดสอบ (257 ข้อสังเกต).
•ในการเพิ่มประสิทธิภาพ อำนาจในการพยากรณ์ของรูปแบบเครือข่ายประสาททั้งการตรวจสอบข้ามและการฝึกอบรมชุดข้อมูลที่ถูกนำมาใช้พร้อมกัน.
•หนึ่งอำนาจในการพยากรณ์ของรูปแบบการฝึกอบรมถึงระดับที่เหมาะสม, น้ำหนักเครือข่ายประสาทได้รับการบันทึกข้อมูลการทดสอบ

ผลลัพธ์ (ไทย) 3:

- เป็นแนวปฏิบัติทั่วไปคือการแบ่งชุดข้อมูลเป็นสามส่วนโดยใช้ค่าต่อไปนี้ : ร้อยละ 60 สำหรับการฝึกอบรม ( 773 ) ) ร้อยละ 20 เพื่อข้ามการตรวจสอบ ( 257 ) ) และร้อยละ 20 สำหรับการทดสอบ ( 257 ) )
- เพื่อเพิ่มความสามารถของแบบจำลองโครงข่ายประสาทเทียม ทั้งข้ามการตรวจสอบและการใช้ข้อมูลพร้อมกัน
บวกหนึ่งพลังในการทำนายของรูปแบบการฝึกอบรม ถึงระดับที่เหมาะสมทั้งน้ำหนักเครือข่ายประสาทถูกบันทึกไว้สำหรับข้อมูลการทดสอบ .