Perceptrons, like more complicated

Perceptrons, like more complicated backpropagation artificial neural networks, are typically trained to minimize mean square error (MSE). In computer-aided diagnosis (CAD) applications, model performance is usually evaluated according to other more clinically relevant measures from receiver operating characteristic (ROC) analysis. The purpose of this study was to investigate the relationship between MSE and the area (Az) under the ROC curve and the partial ROC area (0:90A
z) under the high sensitivity portion of the ROC curve. A perceptron was used to predict whether or not breast lesions were malignant based on two mammographic findings and patient age. For each performance measure, the error surface in weight space was visualized. Comparison of the surfaces indicated that minimizing MSE tended to maximize Az, but not 0:90A
z. If it is important to maximize 0:90A
z, then predictive models trained to minimize MSE may provide inferior solutions.

ผลลัพธ์ (ไทย) 1:

Perceptrons เช่นความซับซ้อนมากขึ้น backpropagation ประดิษฐ์ประสาทเครือข่าย มีโดยทั่วไปการฝึกอบรมเพื่อลดข้อผิดพลาดของค่าเฉลี่ยกำลังสอง (MSE) ในการวินิจฉัยที่ใช้คอมพิวเตอร์ช่วย (CAD) โปรแกรม จำลองประสิทธิภาพมักจะรับการประเมินตามมาตรการอื่นที่เกี่ยวข้องทางคลินิกเพิ่มเติมจากผู้รับทำการวิเคราะห์ลักษณะ (ROC) วัตถุประสงค์ของการศึกษานี้คือการ ตรวจสอบความสัมพันธ์ระหว่างพื้นที่ (Az) ภายใต้โค้ง ROC MSE และบางส่วน ROC พื้นที่ (0:90A z) ภายใต้ส่วนความไวสูงของเส้นโค้ง ROC เพอร์เซปตรอนการใช้เพื่อทำนายหรือว่า ไม่ ได้เต้านมถูกร้ายพบสอง mammographic และอายุผู้ป่วย สำหรับวัดประสิทธิภาพการทำงานแต่ละ มี visualized ผิวข้อผิดพลาดในพื้นที่น้ำหนัก เปรียบเทียบพื้นผิวที่ระบุว่า ย่อ MSE มีแนวโน้มที่จะ ขยาย Az แต่ไม่ 0:90A z ถ้าจำเป็นต้องขยาย 0:90A z แล้วฝึกให้ย่อ MSE รุ่นงานอาจให้โซลูชั่นน้อย

ผลลัพธ์ (ไทย) 2:

Perceptrons เช่นเครือข่ายประสาท backpropagation ซับซ้อนมากขึ้นเทียมมักจะได้รับการฝึกฝนที่จะลดข้อผิดพลาดเฉลี่ยตาราง (MSE) ในการวินิจฉัยคอมพิวเตอร์ (CAD) การใช้งานที่มีประสิทธิภาพรูปแบบการประเมินมักจะตามมาตรการอื่น ๆ ที่มีความเกี่ยวข้องทางคลินิกจากลักษณะการดำเนินงานรับ (ROC) การวิเคราะห์ วัตถุประสงค์ของการศึกษาครั้งนี้เพื่อศึกษาความสัมพันธ์ระหว่าง MSE และพื้นที่ (Az) ภายใต้โค้ง ROC และพื้นที่บางส่วนร็อค (0: 90A ซี) ภายใต้ส่วนที่มีความไวสูงของเส้นโค้ง ROC ตรอนถูกใช้ในการคาดการณ์หรือไม่ว่าแผลที่เต้านมมะเร็งที่ได้รับขึ้นอยู่กับสองผลการวิจัย mammographic และอายุของผู้ป่วย สำหรับตัวชี้วัดการทำงานของแต่ละพื้นผิวข้อผิดพลาดในพื้นที่ได้รับการมองเห็นน้ำหนัก เปรียบเทียบของพื้นผิวชี้ให้เห็นว่าการลด MSE มีแนวโน้มที่จะเพิ่ม Az แต่ไม่ 0: 90A ซี ถ้ามันเป็นสิ่งสำคัญที่จะเพิ่ม 0: 90A ซีแล้วรูปแบบการพยากรณ์ได้รับการฝึกฝนที่จะลด MSE อาจให้บริการโซลูชั่นที่ด้อยกว่า

ผลลัพธ์ (ไทย) 3:

เพอร์เซปตร เหมือนแบบที่ซับซ้อนมากขึ้นเครือข่ายใยประสาทเทียม มักจะมีการฝึกอบรมเพื่อลดค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( MSE ) คอมพิวเตอร์ช่วยในการวินิจฉัย ( CAD ) การใช้งานแบบจำลองสมรรถนะมักจะประเมินตามมาตรการทางการแพทย์ที่เกี่ยวข้องเพิ่มเติมอื่น ๆจากผู้รับปฏิบัติลักษณะ ( ROC ) การวิเคราะห์การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อศึกษาความสัมพันธ์ระหว่าง MSE และพื้นที่ ( AZ ) ภายใต้โค้ง ROC ROC และพื้นที่บางส่วน ( 0:90a
Z ) ภายใต้ความไวสูงส่วนของโค้ง ROC . แบบธรรมดาก็ใช้ทำนายหรือไม่รอยโรคเต้านมเป็นเนื้อร้ายขึ้นอยู่กับสองปัญหาที่ค้นพบและอายุของผู้ป่วย สำหรับแต่ละการแสดงวัดข้อผิดพลาดในพื้นที่พื้นผิว น้ำหนัก เมล็ดพืช การเปรียบเทียบของพื้นผิวพบว่า MSE มีแนวโน้มที่จะเพิ่มการลด แต่ไม่ 0:90a
Z . ถ้ามันเป็นสิ่งสำคัญเพื่อเพิ่ม 0:90a
Z แล้วตัวแบบทำนายฝึกลด MSE จะให้โซลูชั่นที่ด้อยกว่า