During the theoretical investigatio

During the theoretical investigations, we find that NC succeeds due to exploiting the
Ambiguity decomposition of mean squared error. We provide a grounding for NC in a
statistics context of bias, variance and covariance, including a link to a number of other
algorithms that have exploited Ambiguity. The discoveries we make regarding NC are not
limited to neural networks. The majority of observations we make are in fact properties of
the mean squared error function. We find that NC is therefore best viewed as a framework,
rather than an algorithm itself, meaning several other learning techniques could make use
of it.

ผลลัพธ์ (ไทย) 1:

ในระหว่างการตรวจสอบทฤษฎี เราพบว่า NC สำเร็จจาก exploitingเน่าความคลุมเครือของหมายถึงลอการิทึมข้อผิดพลาด เรามีการ grounding สำหรับ NC ในการสถิติบริบทของความโน้มเอียง ผลต่าง และ แปรปรวน รวมถึงการเชื่อมโยงกับหมายเลขอื่น ๆอัลกอริทึมที่จะใช้ประโยชน์จากความคลุมเครือ ไม่มีการค้นพบที่เราทำเกี่ยวกับ NCเครือข่ายจำกัดประสาท ส่วนใหญ่เราให้ข้อสังเกตุในความเป็นจริงมีคุณสมบัติของการทำงานหมายถึงข้อผิดพลาดที่ยกกำลังสอง เราพบว่า NC ดังนั้นค่าเป็นกรอบแทนที่ใช้เป็นอัลกอริทึมตัวเอง ความหมาย หลายอื่น ๆ การเรียนรู้เทคนิคทำให้ของมัน

ผลลัพธ์ (ไทย) 2:

ในระหว่างการสืบสวนทางทฤษฎีเราจะพบว่า NC
ประสบความสำเร็จในการใช้ประโยชน์เนื่องจากสลายตัวความคลุมเครือของความคลาดเคลื่อนกำลังสอง เราให้ดินสำหรับ NC
ในบริบทของการมีอคติสถิติความแปรปรวนและความแปรปรวนรวมทั้งการเชื่อมโยงไปยังหมายเลขอื่นๆ
เป็นขั้นตอนวิธีการที่มีการใช้ประโยชน์จากความคลุมเครือ การค้นพบที่เราทำเกี่ยวกับ NC ไม่ได้
จำกัด อยู่ที่เครือข่ายประสาท ส่วนใหญ่ของการสังเกตที่เราทำอยู่ในคุณสมบัติความเป็นจริงของค่าเฉลี่ยกำลังสองฟังก์ชั่นข้อผิดพลาด
เราพบว่า NC
จึงดูดีที่สุดเท่าที่กรอบมากกว่าอัลกอริทึมตัวเองหมายถึงเทคนิคการเรียนรู้อื่นๆ
อีกหลายสามารถใช้ประโยชน์จากมัน

ผลลัพธ์ (ไทย) 3:

ในระหว่างการสืบสวนทางทฤษฎี เราพบว่า NC สำเร็จเนื่องจากการสลาย
ความคลุมเครือของค่าเฉลี่ยความคลาดเคลื่อนยกกำลังสอง . เรามีสายดินสำหรับ NC ใน
สถิติบริบทของอคติ ความแปรปรวนและความแปรปรวนร่วม รวมถึงการเชื่อมโยงไปยังหมายเลขของขั้นตอนวิธีอื่นๆ
ที่เอารัดเอาเปรียบความกำกวม การค้นพบที่เราทำเกี่ยวกับ NC ไม่ได้
( โครงข่ายส่วนใหญ่ของการสังเกตเราให้อยู่ในคุณสมบัติของความเป็นจริงของ
หมายถึงพร้อมฟังก์ชันข้อผิดพลาด เราพบว่า NC จึงดีที่สุด ดูเป็นกรอบ
มากกว่าขั้นตอนวิธีตัวเอง หมายถึง เทคนิคการเรียนรู้หลาย ๆสามารถใช้ประโยชน์
ของมัน