This paper presents a comparative s

This paper presents a comparative study on the effects of different data sampling methods to the performance of data-driven models. An engineering benchmark modeling problem is investigated, focused on which, three sampling methods, i.e. orthogonal Latin sampling, uniform design sampling and random sampling are used to generate the training data of different property. Six typical data-driven modeling techniques, which consist of artificial intelligent methods (least squares support vector machine, BP neural network and RBF neural network) and statistical methods (multiple linear regression, linear and nonlinear partial least squares regressions), are performed to make the comparison. The root mean square error (RMSE), R square ( ) and mean relative error (MRE) values are taken as the comparison criteria. The results reveal that data sampling and data property play a very key role in establishing an accurate data-driven model.

ผลลัพธ์ (ไทย) 1:

เอกสารนี้แสดงการศึกษาเปรียบเทียบผลของวิธีการสุ่มตัวอย่างข้อมูลอื่นเพื่อประสิทธิภาพของรูปแบบการขับเคลื่อนข้อมูลใน ตรวจสอบมาตรฐานวิศวกรรมการสร้างแบบจำลองปัญหา เน้นที่ วิธีการสุ่มตัวอย่าง 3 เช่นสุ่ม orthogonal ติ ออกแบบเครื่องแบบสุ่มตัวอย่าง และสุ่มตัวอย่างแบบสุ่มใช้สร้างข้อมูลการฝึกอบรมของคุณสมบัติที่แตกต่างกัน 6 โมเดลข้อมูลขับเคลื่อนทั่วไปเทคนิค ซึ่งประกอบด้วยวิธีอัจฉริยะประดิษฐ์ (เครื่องเวกเตอร์สนับสนุนกำลังสองน้อยสุด BP โครงข่ายประสาท และข่ายประสาท RBF) และวิธีทางสถิติ (หลายถดถอยเชิงเส้น เชิงเส้น และไม่เชิงเส้นบางส่วนกำลังสองน้อยสุด regressions) ดำเนินการเพื่อทำการเปรียบเทียบ รากหมายถึงตารางข้อผิดพลาด (RMSE), R สแควร์() และหมายถึง ค่าความผิดพลาดสัมพัทธ์ (MRE) จะใช้เป็นเกณฑ์เปรียบเทียบ ผลลัพธ์แสดงว่า ข้อมูลสุ่มตัวอย่างและข้อมูลคุณสมบัติเล่นบทบาทสำคัญมากในการสร้างรุ่นปรับปรุงข้อมูลถูกต้อง

ผลลัพธ์ (ไทย) 2:

บทความนี้นำเสนอการศึกษาเปรียบเทียบผลของวิธีการสุ่มตัวอย่างข้อมูลที่แตกต่างกันเพื่อประสิทธิภาพการทำงานของรุ่นที่ขับเคลื่อนด้วยข้อมูล ปัญหาการสร้างแบบจำลองมาตรฐานวิศวกรรมสอบสวนมุ่งเน้นไปที่สามวิธีการสุ่มตัวอย่างคือฉากการสุ่มตัวอย่างละตินสุ่มตัวอย่างการออกแบบเครื่องแบบและการสุ่มตัวอย่างที่ใช้ในการสร้างข้อมูลการฝึกอบรมสถานที่ให้บริการที่แตกต่างกัน Six เทคนิคการสร้างแบบจำลองที่ขับเคลื่อนด้วยข้อมูลทั่วไปซึ่งประกอบด้วยวิธีการที่ชาญฉลาดเทียม (สี่เหลี่ยมน้อยสนับสนุนเครื่องเวกเตอร์เครือข่าย BP ประสาทและเครือข่ายประสาท RBF) และวิธีการทางสถิติ (หลายถดถอยเชิงเส้นเชิงเส้นและไม่เชิงเส้นถดถอยบางส่วนน้อยสแควร์) จะดำเนินการเพื่อให้ การเปรียบเทียบ รากหมายถึงข้อผิดพลาดของตาราง (RMSE) R ตาราง () และหมายถึงความผิดพลาด (MRE) ค่าถูกนำมาเป็นเกณฑ์ในการเปรียบเทียบ ผลการศึกษาพบว่าการเก็บข้อมูลและทรัพย์สินของข้อมูลที่มีบทบาทสำคัญมากในการสร้างรูปแบบที่ถูกต้องที่ขับเคลื่อนด้วยข้อมูล

ผลลัพธ์ (ไทย) 3:

งานวิจัยนี้เป็นการศึกษาเปรียบเทียบผลของข้อมูลที่แตกต่างกันตัวอย่างวิธีการประสิทธิภาพของแบบจำลอง - . วิศวกรรมมาตรฐานแบบจำลองปัญหาการศึกษา เน้นที่ สามวิธีสุ่มตัวอย่าง ( ละติน ) ซึ่งออกแบบเครื่องแบบตัวอย่างและการสุ่มตัวอย่างถูกใช้เพื่อสร้างข้อมูลการฝึกอบรมของคุณสมบัติที่แตกต่างกัน6 - เทคนิคแบบทั่วไป ซึ่งประกอบด้วยวิธีปัญญาประดิษฐ์ ( อย่างน้อยสนับสนุนเวกเตอร์เครื่องจักร , BP เครือข่ายระบบประสาทและ RBF เครือข่ายประสาท ) และวิธีทางสถิติ ( สมการถดถอยพหุคูณเชิงเส้นสมการถดถอยกำลังสองน้อยที่สุดและบางส่วน ) จะดำเนินการเพื่อให้เปรียบเทียบ รากของค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSE )R Square ( ) และค่าเฉลี่ยความคลาดเคลื่อนสัมพัทธ์ ( แมร์ ) ค่าถ่ายเมื่อเปรียบเทียบเกณฑ์ ผลการวิจัย พบว่า ข้อมูลตัวอย่างและคุณสมบัติข้อมูลมีบทบาทสำคัญมากในการสร้างรูปแบบ - ถูกต้อง