In [Cortez and Morais, 2007], the o

In [Cortez and Morais, 2007], the output 'area' was first transformed with a ln(x+1) function.
Then, several Data Mining methods were applied. After fitting the models, the outputs were
post-processed with the inverse of the ln(x+1) transform. Four different input setups were
used. The experiments were conducted using a 10-fold (cross-validation) x 30 runs. Two
regression metrics were measured: MAD and RMSE. A Gaussian support vector machine (SVM) fed
with only 4 direct weather conditions (temp, RH, wind and rain) obtained the best MAD value:
12.71 +- 0.01 (mean and confidence interval within 95% using a t-student distribution). The
best RMSE was attained by the naive mean predictor. An analysis to the regression error curve
(REC) shows that the SVM model predicts more examples within a lower admitted error. In effect,
the SVM model predicts better small fires, which are the majority.

ผลลัพธ์ (ไทย) 1:

ใน [Cortez และ Morais, 2007], ผลลัพธ์ 'พื้นที่' ก่อนถูกแปลง ด้วยฟังก์ชัน ln(x+1) แล้ว วิธีการทำเหมืองข้อมูลต่าง ๆ ถูกนำไปใช้ หลังจากรูปแบบที่เหมาะสม มีผล หลังการประมวลผล ด้วยค่าผกผันของการแปลง ln(x+1) ตั้งค่าการป้อนข้อมูลต่างที่สี่ได้ ใช้ การดำเนินการทดลองโดยใช้การวิ่ง 30 10-fold (สอบข้าม) x สอง มีวัดวัดถดถอย: MAD และ RMSE เครื่องเวกเตอร์นที่สนับสนุน (SVM) เลี้ยง กับสภาพอากาศโดยตรงเพียง 4 สภาวะ (อุณหภูมิ RH ลม และฝน) รับบ้าที่ดีที่สุด: 12.71 + -0.01 (หมายถึงอะไรและช่วงความเชื่อมั่น 95% โดยใช้การกระจาย t นักเรียนภายใน) การ สุด RMSE ได้บรรลุ โดยการทำนายหมายถึงไร้เดียงสา การวิเคราะห์การถดถอยพลาดโค้ง (REC) แสดงว่า แบบ SVM ทำนายตัวอย่างเพิ่มเติมภายในข้อผิดพลาดที่ admitted ต่ำ ผล แบบ SVM ทำนายไฟขนาดเล็กกว่า ซึ่งเป็นส่วนใหญ่

ผลลัพธ์ (ไทย) 2:

ใน [คอร์เตซและคอง 2007] เอาท์พุ 'พื้นที่' ก็กลายเป็นครั้งแรกที่มี LN A (x + 1) ฟังก์ชั่น.
จากนั้นวิธีการทำเหมืองข้อมูลหลายคนถูกนำมาใช้ หลังจากที่เหมาะสมรูปแบบผลลัพธ์ที่ได้ถูก
โพสต์การประมวลผลด้วยผกผันของการ ln (x + 1) เปลี่ยน สี่การตั้งค่าการป้อนข้อมูลที่แตกต่างกันถูก
นำมาใช้ การทดลองดำเนินการโดยใช้ 10 เท่า (การตรวจสอบข้าม) x 30 วิ่ง สอง
ตัวชี้วัดการถดถอยวัด: บ้าและ RMSE สนับสนุนเกาส์เวกเตอร์เครื่อง (SVM) เลี้ยง
ที่มีเพียง 4 สภาพอากาศโดยตรง (ชั่วคราว RH, ลมและฝน) ได้รับค่า MAD ที่ดีที่สุด:
12.71 + - 0.01 (ค่าเฉลี่ยและช่วงความเชื่อมั่นภายใน 95% โดยใช้การจัดจำหน่ายเสื้อนักเรียน)
RMSE ที่ดีที่สุดคือการบรรลุโดยปัจจัยบ่งชี้ที่หมายถึงไร้เดียงสา การวิเคราะห์การโค้งข้อผิดพลาดการถดถอย
(บันทึก) แสดงให้เห็นว่ารูปแบบการคาดการณ์ SVM ตัวอย่างเพิ่มเติมภายในข้อผิดพลาดเข้ารับการรักษาที่ต่ำกว่า ผล
รุ่น SVM คาดการณ์การเกิดเพลิงไหม้ขนาดเล็กที่ดีขึ้นซึ่งเป็นส่วนใหญ่

ผลลัพธ์ (ไทย) 3:

ในคอร์เตซและ Morais [ 2007 ] , ส่งออก " พื้นที่ " แรกเปลี่ยนกับ LN ( x + 1 ) ฟังก์ชันแล้ววิธีการเหมืองข้อมูลหลายคนใช้ หลังจากการปรับรุ่น ผลคือโพสต์การประมวลผลด้วยความผกผันของ ln ( x + 1 ) เปลี่ยน สี่การตั้งค่าข้อมูลต่าง ๆใช้ การทดลองใช้ 10 เท่า ( ข้ามการตรวจสอบ ) x 30 วิ่ง สองขั้นตอนการวัดวัด : บ้าและ RMSE . เป็นเกาส์สนับสนุนเวกเตอร์เครื่องจักร ( SVM ) เฟดมีเพียง 4 ตรงสภาพอากาศ ( อุณหภูมิความชื้นสัมพัทธ์ , ลมและฝน ) ได้รับค่าโกรธที่ดีที่สุด :- + - 0.01 ( ค่าเฉลี่ยและช่วงความเชื่อมั่น 95% โดยใช้การกระจายภายใน t-student ) ที่วิธีที่ดีที่สุดบรรลุโดยทำนายว่าไร้เดียงสา การวิเคราะห์การถดถอยข้อผิดพลาดโค้ง( REC ) พบว่าแบบจำลองคาดการณ์ SVM ตัวอย่างภายในลดลง ยอมรับข้อผิดพลาด ผลSVM แบบจำลองคาดการณ์ไฟขนาดเล็กขึ้น ซึ่งส่วนใหญ่