Before fitting the models, the data

Before fitting the models, the data was first standardized to a zero mean and one standard deviation [16]. RMiner uses the efficient BFGS algorithm to train the NNs (nnet R package), while the SVM fit is based on the Sequential Minimal Optimization implementation provided by LIBSVM (kernlab package). We adopted the default R suggestions [29]. The only exception are the hyperparameters (H and γ), which will be set using the procedure described in the previous section and with the search ranges of H ∈ {0, 1,…, 11} [36] and γ ∈ {23, 21,…, 2− 15} [31]. While the maximum number of searches is 12/10, in practice the parsimony approach (step 2 of Section 4) will reduce this number substantially.

ผลลัพธ์ (ไทย) 1:

ก่อนเหมาะสมรูปแบบ ข้อมูลถูกต้องเฉลี่ยเป็นศูนย์และส่วนเบี่ยงเบนมาตรฐานหนึ่ง [16] มาตรฐาน ใช้ RMiner ที่ใช้อัลกอริทึม BFGS ประสิทธิภาพการฝึกอบรม (แพคเกจ nnet R), NNs ขณะ SVM พอดีใช้เพิ่มประสิทธิภาพน้อยที่สุดตามลำดับโดย LIBSVM (แพ kernlab) เรานำคำแนะนำ R เริ่มต้น [29] ข้อยกเว้นเดียวคือ hyperparameters (H และγ), ซึ่งจะถูกกำหนดโดยใช้ขั้นตอนที่อธิบายไว้ ในส่วนก่อนหน้า และช่วงการค้นหา H ∈ { 0, 1,..., 11 } [36] และγ∈ { 23, 21,..., 2− 15 } [31] ขณะค้นหาจำนวน 12/10 ในทางปฏิบัติ วิธี parsimony (ขั้นตอนที่ 2 ของ 4 ส่วน) จะลดเลขนี้มาก

ผลลัพธ์ (ไทย) 2:

ก่อนที่จะปรับรูปแบบข้อมูลที่เป็นครั้งแรกที่ได้มาตรฐานที่จะเบี่ยงเบนมาตรฐานค่าเฉลี่ยเป็นศูนย์และหนึ่ง [16] RMiner ใช้วิธี BFGS ที่มีประสิทธิภาพในการฝึกอบรม NNs (แพคเกจ nnet R) ในขณะที่พอดี SVM จะขึ้นอยู่กับการดำเนินการต่อเนื่องเพิ่มประสิทธิภาพน้อยที่สุดโดย LIBSVM (แพคเกจ kernlab) เรานำข้อเสนอแนะที่เป็นค่าเริ่มต้น R [29] ยกเว้นอย่างเดียวคือ hyperparameters (H และγ) ซึ่งจะได้รับการตั้งค่าการใช้ขั้นตอนที่อธิบายไว้ในส่วนก่อนหน้านี้และมีช่วงการค้นหาของ H ∈ {0, 1, ... , 11} [36] และγ∈ {23 21, ... , 2 15} [31] ในขณะที่จำนวนสูงสุดของการค้นหาเป็น 12/10 ในทางปฏิบัติวิธีการประหยัด (ขั้นตอนที่ 2 ในมาตรา 4) จะลดจำนวนนี้มาก

ผลลัพธ์ (ไทย) 3:

ก่อนการปรับรุ่นข้อมูลแรกมาตรฐานศูนย์หมายถึงหนึ่งส่วนเบี่ยงเบนมาตรฐาน [ 16 ] rminer ใช้ขั้นตอนวิธีที่มีประสิทธิภาพ bfgs รถไฟ nns ( nnet r package ) ในขณะที่ SVM พอดีตามลําดับที่น้อยที่สุดเพิ่มประสิทธิภาพการใช้งานให้โดย libsvm ( แพคเกจ kernlab ) เรารับข้อเสนอแนะ R เริ่มต้น [ 29 ] ยกเว้นเป็น hyperparameters ( H และγ )ซึ่งจะถูกตั้งค่าโดยใช้ขั้นตอนที่อธิบายไว้ในส่วนก่อนหน้านี้และมีการค้นหาช่วงของ H ∈ { 0 , 1 , . . . , 11 } [ 36 ] และγ∈ { 23 , 21 , . . . , 2 − 15 } [ 31 ] ในขณะที่จำนวนสูงสุดของการค้นหาคือ 12 / 10 ในการปฏิบัติ วิธีการ ความตระหนี่ ( ขั้นตอนที่ 2 ของมาตรา 4 ) จะลดหมายเลขนี้อย่างมาก