and log2g at [−10, 10]. Results sho

and log2g at [−10, 10]. Results showed that the best crossvalidation
accuracy was obtained with log2c=−10 and
log2g=−10, corresponding to c=0.001 and g=0.001. The
result (Table 2) showed that the accuracies of the calibration
set from electronic tongue, nose, and the combination of both
were 96, 98, and 99 %, respectively, and those of the prediction
set were 70, 75, and 85 %, respectively.
Classification Using KNN
KNN model was trained by data from 100 samples for the
training set, calibrated by comparing to the true type and used
to predict 20 other samples for the testing set. This model was
corresponded to the data from electronic tongue, nose, and the
combination of both, which were reduced by PCA and LLE
algorithms, respectively.
In PCA-KNN model, Fig. 5b shows the error value of
KNN model by cross-validation according to different K
values in the calibration set. As can be seen from this figure,
the best cross-validation accuracy were achieved when K=3.

ผลลัพธ์ (ไทย) 1:

และ log2g ที่ [−10, 10] ผลพบว่า crossvalidation สุดความถูกต้องไม่ได้ ด้วย log2c = −10 และlog2g = −10 ที่สอดคล้องกับ c = 0.001 และ g = 0.001 ที่ผล (ตารางที่ 2) พบว่า accuracies ของการปรับเทียบจากลิ้นอิเล็กทรอนิกส์ จมูก และการรวมกันของทั้งสองมี 96, 98, 99% ตามลำดับ และของคำทำนายชุด 70, 75 และ 85% ตามลำดับประเภทใช้ KNNได้เข้าอบรมรุ่น KNN โดยข้อมูลจาก 100 ตัวอย่างสำหรับการฝึกอบรมตั้ง ปรับเทียบ โดยเปรียบเทียบกับชนิดแท้จริง และใช้การทำนายตัวอย่าง 20 ชุดทดสอบ รูปแบบนี้ได้corresponded กับข้อมูลจากลิ้นอิเล็กทรอนิกส์ ซัน และรวมทั้ง ซึ่งได้ลดลง โดย PCA และ LLEอัลกอริทึม ตามลำดับในรูปแบบสมาคม KNN, Fig. 5b แสดงค่าข้อผิดพลาดของรุ่น KNN โดยข้ามการตรวจสอบตาม K แตกต่างกันตั้งค่าในการปรับเทียบ สามารถเห็นได้จากตัวเลขนี้มีความถูกต้องของการตรวจสอบข้ามสุดสำเร็จเมื่อ K = 3

ผลลัพธ์ (ไทย) 2:

และ log2g ที่ [-10, 10] ผลการศึกษาพบว่าที่ดีที่สุด crossvalidation
ความถูกต้องที่ได้รับกับ log2c = -10 และ
log2g = -10 สอดคล้องกับ c = 0.001 และ g = 0.001
ผล (ตารางที่ 2)
พบว่าความถูกต้องของการสอบเทียบที่ตั้งลิ้นอิเล็กทรอนิกส์จมูกและการรวมกันของทั้งสองเป็น
96, 98 และ 99%
ตามลำดับและผู้ทำนายตั้งอยู่ที่70, 75, และ 85% ตามลำดับ.
การจัดหมวดหมู่การใช้ KNN
รูปแบบ KNN รับการฝึกฝนโดยข้อมูลจาก 100
ตัวอย่างสำหรับชุดการฝึกอบรมการสอบเทียบโดยการเปรียบเทียบกับประเภทที่แท้จริงและใช้ในการคาดการณ์ 20 ตัวอย่างอื่น ๆ สำหรับชุดทดสอบ
รุ่นนี้ตรงกับข้อมูลจากลิ้นอิเล็กทรอนิกส์จมูกและการรวมกันของทั้งสองซึ่งลดลงPCA LLE และขั้นตอนวิธีการตามลำดับ. ในรูปแบบ PCA-KNN, รูป 5b แสดงให้เห็นถึงค่าความผิดพลาดของรูปแบบการตรวจสอบโดยKNN ข้ามตาม K ที่แตกต่างกันค่าในการตั้งค่าการสอบเทียบ ที่สามารถเห็นได้จากตัวเลขนี้ถูกต้องข้ามการตรวจสอบที่ดีที่สุดก็ประสบความสำเร็จเมื่อ K = 3

ผลลัพธ์ (ไทย) 3:

และ log2g ที่ [ − 10 , 10 ] ผลการศึกษาพบว่า ความถูกต้อง crossvalidation
ที่ดีที่สุดได้ด้วย log2c = − 10
log2g = − 10 ซึ่งสอดคล้องกับ C = 0.001 และ G = 0.001 .
ผล ( ตารางที่ 2 ) พบว่า ความถูกต้องของการสอบเทียบ
ชุดลิ้น , จมูกอิเล็กทรอนิกส์ , และการรวมกันของทั้งสอง
จำนวน 96 , 98 และ 99 ตามลำดับ และผู้พยากรณ์
ชุด 70 , 75 และ 85 ตามลำดับ
การจำแนกโดยใช้ knn
knn รูปแบบการฝึกอบรมโดยข้อมูลจาก 100 ตัวอย่าง
ชุดฝึกอบรม การสอบเทียบ โดยเปรียบเทียบกับชนิดจริงและใช้
ทำนาย 20 อื่น ๆตัวอย่าง เพื่อทดสอบการตั้งค่า รุ่นนี้คือ
ตรงกับข้อมูลจากลิ้น จมูกอิเล็กทรอนิกส์และ
การรวมกันของทั้งสอง ซึ่งลดลง PCA และที่ไหน

pca-knn อัลกอริทึมตามลำดับ ในรูปแบบ ภาพประกอบ5B แสดงข้อผิดพลาดค่า
รูปแบบ knn โดยข้ามการตรวจสอบตามค่า K
ที่แตกต่างกันในการตั้งค่า ที่สามารถเห็นได้จากรูปนี้
ที่ดีที่สุดการตรวจสอบความถูกต้องได้สำเร็จเมื่อข้าม K = 3