Weighting/Parameter Optimisation: T

Weighting/Parameter Optimisation: The weighting and parameter optimisation module,
as shown in Fig. 3.2, will be used adjust the training algorithms in order to produce a better learner
RapidMiner Optimise Weights (Evolutionary) operator. This operator calculates the weights of the features of
our football data sets by using a genetic algorithm (GA). The higher the weight of an attribute, the more
relevant it is considered. According to [14], a GA is a search heuristic that mimics the process of natural
evolution. This heuristic is routinely used to breed useful solutions to optimisation and search problems.
Genetic algorithms are an aspect of a larger class of evolutionary algorithms (EA), which produce solutions to
optimisation problems using such techniques as inheritance, mutation, and selection, as well as crossover [14].
Parameter optimisation, another data mining tool that finds the optimal values for a set of parameters using an
evolutionary approach, actually yields better results. This tool will be used to adjust the learning rate,
momentum and other hidden expert parameters until an improved model is built.

ผลลัพธ์ (ไทย) 1:

น้ำหนัก/พารามิเตอร์เพิ่มประสิทธิภาพ: น้ำหนักและโมดูพารามิเตอร์เพิ่มประสิทธิภาพจะใช้แสดงใน Fig. 3.2 ปรับกระบวนการฝึกอบรมเพื่อผลิตผู้เรียนที่ดีขึ้นตัวดำเนินการ RapidMiner ซิน้ำหนัก (Evolutionary) ตัวดำเนินการนี้คำนวณน้ำหนักของคุณลักษณะของข้อมูลฟุตบอลชุด โดยใช้ขั้นตอนวิธีพันธุกรรม (GA) น้ำหนักสูงของแอตทริบิวต์ เพิ่มเติมเกี่ยวข้องก็ถือว่า ตาม [14], GA เป็น heuristic ค้นที่เลียนแบบกระบวนการของธรรมชาติวิวัฒนาการ เป็นประจำใช้ heuristic นี้ขุนโซลูชั่นที่มีประโยชน์เพื่อเพิ่มประสิทธิภาพและค้นหาปัญหาอัลกอริทึมทางพันธุกรรมเป็นชั้นเรียนขนาดใหญ่ของวิวัฒนาการอัลกอริทึม (EA), ซึ่งผลิตแก้ไขข้อมูลด้านปัญหาคุณภาพที่ใช้เทคนิคดังกล่าว เป็นมรดก กลาย พันธุ์ และเลือก ความไขว้ [14]พารามิเตอร์การเพิ่มประสิทธิภาพ เครื่องมือทำเหมืองข้อมูลอื่นที่ค้นหาค่าเหมาะสมที่สุดสำหรับชุดของพารามิเตอร์ที่ใช้ เป็นจริง ๆ วิธีการวิวัฒนาการ ก่อให้เกิดผลลัพธ์ที่ดีขึ้น เครื่องมือนี้จะถูกใช้เพื่อปรับอัตราการเรียนรู้โมเมนตัมและซ่อนใช้พารามิเตอร์อื่น ๆ จนกว่าแบบจำลองที่ปรับปรุงอยู่

ผลลัพธ์ (ไทย) 2:

น้ำหนัก / Optimisation พารามิเตอร์:
น้ำหนักและพารามิเตอร์โมดูลการเพิ่มประสิทธิภาพการดังแสดงในรูป 3.2
จะใช้ในการปรับขั้นตอนวิธีการฝึกอบรมเพื่อผลิตเป็นผู้เรียนที่ดีขึ้นน้ำหนักเพิ่มประสิทธิภาพRapidMiner (วิวัฒนาการ) ผู้ประกอบการ ผู้ประกอบการนี้จะคำนวณน้ำหนักของคุณสมบัติของชุดข้อมูลฟุตบอลของเราโดยใช้ขั้นตอนวิธีพันธุกรรม (GA) สูงกว่าน้ำหนักของแอตทริบิวต์ที่มากกว่าที่เกี่ยวข้องจะพิจารณา ตามที่ [14] เป็น GA เป็นแก้ปัญหาการค้นหาที่เลียนแบบกระบวนการของธรรมชาติวิวัฒนาการ การแก้ปัญหานี้จะถูกใช้เป็นประจำจะก่อให้เกิดการแก้ปัญหาที่เป็นประโยชน์ต่อการเพิ่มประสิทธิภาพและปัญหาการค้นหา. ขั้นตอนวิธีทางพันธุกรรมเป็นแง่มุมของชั้นขนาดใหญ่ของขั้นตอนวิธีวิวัฒนาการ (EA) ซึ่งผลิตการแก้ปัญหาการเพิ่มประสิทธิภาพการใช้เทคนิคดังกล่าวเป็นมรดก, การกลายพันธุ์และการเลือกเช่นกัน เป็นครอสโอเวอร์ [14]. เพิ่มประสิทธิภาพพารามิเตอร์เครื่องมือการทำเหมืองข้อมูลอื่นที่พบว่าค่าที่ดีที่สุดสำหรับการตั้งค่าของพารามิเตอร์ใช้วิธีการวิวัฒนาการจริงถัวเฉลี่ยผลลัพธ์ที่ดีกว่า เครื่องมือนี้จะใช้ในการปรับอัตราการเรียนรู้โมเมนตัมและพารามิเตอร์ผู้เชี่ยวชาญซ่อนอื่น ๆ จนเป็นรูปแบบที่ดีขึ้นถูกสร้างขึ้น

ผลลัพธ์ (ไทย) 3:

น้ำหนัก : น้ำหนักและพารามิเตอร์การเพิ่มประสิทธิภาพ / โมดูลการเพิ่มประสิทธิภาพค่า
ดังแสดงในรูปที่ 3 จะใช้ขั้นตอนวิธีการปรับการฝึกอบรมเพื่อผลิตดีกว่าเรียน
rapidminer เพิ่มน้ำหนัก ( วิวัฒนาการ ) ผู้ประกอบการ โอเปอเรเตอร์นี้จะคำนวณน้ำหนักคุณสมบัติของ
ชุดข้อมูลฟุตบอลของเราโดยการใช้ขั้นตอนวิธีเชิงพันธุกรรม ( GA ) สูงกว่าน้ำหนักของ คุณลักษณะยิ่ง
ที่เกี่ยวข้องก็ถือว่า . ตาม [ 14 ] , GA เป็นค้นหาฮิวริสติกที่เลียนแบบกระบวนการของวิวัฒนาการธรรมชาติ

นี้ช่วยตรวจใช้พันธุ์ที่มีประโยชน์โซลูชั่นเพื่อเพิ่มประสิทธิภาพและปัญหาการค้นหา
ขั้นตอนวิธีพันธุกรรมเป็นลักษณะของชั้นเรียนขนาดใหญ่ของขั้นตอนวิธีเชิงวิวัฒนาการ ( EA ) ซึ่งผลิตโซลูชั่น

เพิ่มประสิทธิภาพปัญหาโดยใช้เทคนิคเช่นมรดกการเปลี่ยนแปลง , และ , เช่นเดียวกับไขว้ [ 14 ] .
optimisation พารามิเตอร์อื่นการทำเหมืองข้อมูลเครื่องมือหาค่าเหมาะสมที่สุดสำหรับชุดของพารามิเตอร์ที่ใช้
วิธีการวิวัฒนาการจริงให้ผลลัพธ์ที่ดีกว่า เครื่องมือนี้จะใช้ในการปรับอัตราการเรียนรู้
โมเมนตัมและพารามิเตอร์อื่น ๆผู้เชี่ยวชาญที่ซ่อนจนกว่าการปรับปรุงรูปแบบถูกสร้างขึ้น