Due to advances in the data mining

Due to advances in the data mining (DM) field, it is possible to extract knowl- edge from raw data. Indeed, powerful techniques such as neural networks (NNs) and more recently support vector machines (SVMs) are emerging. While being more flexible models (i.e. no a priori restriction is imposed), the per- formance depends on a correct setting of hyperparameters (e.g. number of hidden nodes of the NN architecture or SVM kernel parameter). On the other hand, the multiple regression (MR) is easier to interpret than NN/SVM, with most of the NN/SVM applications considering their models as black boxes. Another relevant aspect is variable selection, which leads to simpler models while often improving the predictive performance. In this study, we present an integrated and computationally efficient approach to deal with these issues. Sensitivity analysis is used to extract knowledge from the NN/SVM models,

ผลลัพธ์ (ไทย) 2:

เนื่องจากความก้าวหน้าในการทำเหมืองข้อมูล (DM) สนามก็เป็นไปได้ที่จะดึงความรู้จากข้อมูลดิบ อันที่จริงเทคนิคที่มีประสิทธิภาพเช่นเครือข่ายประสาท (NNs) และเมื่อเร็ว ๆ สนับสนุนเครื่องเวกเตอร์ (SVMs) ที่เกิดขึ้นใหม่ ในขณะที่เป็นรูปแบบที่มีความยืดหยุ่นมากขึ้น (คือไม่มีข้อ จำกัด เบื้องต้นจะเรียกเก็บ) ที่น้ำาขึ้นอยู่กับการตั้งค่าที่ถูกต้องของ hyperparameters (เช่นจำนวนโหนดที่ซ่อนของสถ​​าปัตยกรรม NN หรือเคอร์เนล SVM พารามิเตอร์) ในทางตรงกันข้ามการถดถอยพหุคูณ (MR) เป็นเรื่องง่ายกว่าที่จะตีความ NN / SVM กับที่สุดของการใช้งาน NN / SVM พิจารณารูปแบบของพวกเขาเป็นกล่องสีดำ อีกด้านที่เกี่ยวข้องคือการเลือกตัวแปรซึ่งนำไปสู่​​รูปแบบที่เรียบง่ายในขณะที่มักจะปรับปรุงประสิทธิภาพการทำนาย ในการศึกษานี้เรานำเสนอที่มีประสิทธิภาพวิธีการแบบบูรณาการและคอมพิวเตอร์ในการจัดการกับปัญหาเหล​​่านี้ การวิเคราะห์ความไวแสงที่ใช้ในการดึงความรู้จากรุ่น NN / SVM,

ผลลัพธ์ (ไทย) 3:

เนื่องจากความก้าวหน้าในเหมืองข้อมูลเขต , มันเป็นไปได้ที่จะดึงขอบ knowl - จากข้อมูลดิบ จริงๆ เทคนิคที่มีประสิทธิภาพเช่นโครงข่ายประสาทเทียม ( nns ) และอื่น ๆเมื่อเร็ว ๆนี้สนับสนุนเครื่องเวกเตอร์ ( แบบ ) จะเกิดขึ้นใหม่ ในขณะที่รูปแบบยืดหยุ่นมากขึ้น ( เช่น ไม่มีข้อ จำกัด อยู่ระหว่างกำหนด ) , ต่อ - formance ขึ้นอยู่กับการตั้งค่าที่ถูกต้องของ hyperparameters ( เช่นโหนดที่ซ่อนของ NN สถาปัตยกรรมหรือพารามิเตอร์ของ SVM ) บนมืออื่น ๆ , การถดถอยพหุคูณ ( MR ) เป็นเรื่องง่ายที่จะตีความว่า NN / SVM , กับที่สุดของ NN / การพิจารณารูปแบบของ SVM เป็นกล่องสีดำ อื่นที่เกี่ยวข้องด้านคือการเลือกตัวแปรที่ทำให้ง่ายกว่ารุ่นในขณะที่การปรับปรุงบ่อยประสิทธิภาพทำนาย . ในการศึกษานี้เรานำเสนอแบบบูรณาการและวิธีการ computationally มีประสิทธิภาพเพื่อจัดการกับปัญหาเหล่านี้ การวิเคราะห์ความไวจะใช้เพื่อสกัดความรู้จาก NN /
SVM รุ่น