where wi,j denotes the weight of th

where wi,j denotes the weight of the connection from node j to i and
o the output node. The performance is sensitive to the topology
choice (H). A NN with H=0 is equivalent to the MR model. By
increasing H, more complex mappings can be performed, yet an
excess value of H will overfit the data, leading to generalization loss.
A computationally efficient method to set H is to search through the
range {0, 1, 2, 3,…, Hmax} (i.e. from the simplest NN to more complex
ones). For each H value, a NN is trained and its generalization
estimate is measured (e.g. over a validation sample). The process is
stopped when the generalization decreases or when H reaches the
maximum value (Hmax).
In SVM regression [26], the input xaRI is transformed into a high
m-dimensional feature space, by using a nonlinear mapping (ϕ) that
does not need to be explicitly known but that depends of a kernel
function (K). The aim of a SVM is to find the best linear separating

ผลลัพธ์ (ไทย) 1:

ที่จอดรถ เจหมายถึงน้ำหนักของการเชื่อมต่อจากโหนด j กับฉัน และo โหนดออก ประสิทธิภาพเป็นการโทโพโลยีทางเลือก (H) เอ็นเอ็นกับ H = 0 ได้เท่ากับแบบนาย โดยเพิ่ม H สามารถดำเนินการแม็ปที่ซับซ้อนมากขึ้น แต่การมูลค่าส่วนเกินของ H จะ overfit ข้อมูล นำไปสู่การสูญเสีย generalizationวิธีการตั้งค่า H computationally มีประสิทธิภาพคือการ ค้นหาผ่านการช่วง { 0, 1, 2, 3,..., Hmax } (เช่นจาก NN ที่ง่ายที่สุดจะซับซ้อนมากขึ้นคน) สำหรับแต่ละค่า H, NN แบบฝึกอบรม และการ generalizationมีวัดการประเมิน (เช่นผ่านการตรวจสอบตัวอย่าง) กระบวนการหยุด เมื่อ generalization ที่ลดลง หรือ เมื่อถึง Hค่าสูงสุด (Hmax)ใน SVM ถดถอย [26], xaRI ป้อนข้อมูลจะเปลี่ยนเป็นสูงพื้นที่ m มิติคุณลักษณะ การแมปที่ไม่เชิงเส้น (ϕ) โดยที่ไม่ไม่จำเป็นต้องทราบอย่างชัดเจนแต่ขึ้นอยู่กับการเคอร์เนลฟังก์ชัน (K) จุดมุ่งหมายของ SVM จะค้นหาแยกส่วนเชิงเส้น

ผลลัพธ์ (ไทย) 2:

ที่ไร้เจหมายถึงน้ำหนักของการเชื่อมต่อจากเจโหนดเพื่อฉันและ
o โหนดออก ผลการดำเนินงานมีความไวต่อโครงสร้างทางเลือก (H)
NN กับ H = 0 จะเทียบเท่ากับรูปแบบนาย โดยเพิ่มขึ้น H, แมปที่ซับซ้อนมากขึ้นสามารถดำเนินการหรือยังค่าเกินกว่าH จะ overfit ข้อมูลที่นำไปสู่ทั่วไปการสูญเสีย. วิธีการที่มีประสิทธิภาพคอมพิวเตอร์ที่จะตั้ง H คือการค้นหาผ่านช่วง{0, 1, 2, 3, ... , hmax} (เช่นจากที่ง่าย NN จะซับซ้อนมากขึ้นคน) สำหรับค่า H แต่ละ NN ได้รับการฝึกฝนและลักษณะทั่วไปของประมาณการจะวัด(เช่นตัวอย่างในช่วงการตรวจสอบ) กระบวนการนี้หยุดเมื่อทั่วไปลดลงหรือเมื่อ H ถึงค่าสูงสุด (hmax). ในการถดถอย SVM [26] เข้า xaRI จะกลายเป็นสูงพื้นที่คุณลักษณะมมิติโดยใช้การทำแผนที่เชิงเส้น(φ) ที่ไม่ไม่จำเป็นต้องเป็นที่รู้จักกันอย่างชัดเจน แต่ที่ขึ้นอยู่กับเคอร์เนลฟังก์ชั่น(K) จุดมุ่งหมายของ SVM คือการหาแยกเชิงเส้นที่ดีที่สุด

ผลลัพธ์ (ไทย) 3:

ที่ วี เจ หมายถึง น้ำหนักของการเชื่อมต่อจากโหนด J ผม
o การส่งออกโหนด การแสดงจะไวต่อโครงสร้าง
ทางเลือก ( H ) NN กับ H = 0 เท่ากับแบบนาย โดย
เพิ่ม H , แมปที่ซับซ้อนมากขึ้นที่สามารถดำเนินการได้ แต่เป็นการ
มูลค่าส่วนเกินของ H จะ overfit ข้อมูลนำไปสู่การสูญเสีย วิธีที่มีประสิทธิภาพในการตั้งค่า computationally

H คือการค้นหาผ่านช่วง { 0 , 1 , 2 , 3 , . . . , hmax } ( เช่นจาก nn ง่ายที่ซับซ้อน
มากกว่า ) สำหรับแต่ละ H ค่า NN การอบรมและการประมาณการเป็นวัด ( เช่น
ผ่านการตรวจสอบตัวอย่าง ) กระบวนการ
หยุดเมื่อการลดลงหรือเมื่อ H ถึงค่าสูงสุด ( hmax )
.
ใน SVM ถดถอย [ 26 ] , ผู้เข้า xari กลายเป็นพื้นที่คุณลักษณะ m-dimensional สูง
,โดยใช้เส้นแผนที่ ( ϕ )
ไม่ต้องเป็นอย่างชัดเจนที่รู้จักแต่ขึ้นอยู่กับเคอร์เนลฟังก์ชัน
( K ) จุดมุ่งหมายของ SVM เป็นที่จะหาที่ดีที่สุดเส้นแยก