The relationship between these thre

The relationship between these three performance measures is not well de:ned, but there is a
generally unstated assumption that a classi:er trained to optimize MSE will also tend to optimize
other measures such as A
z and 0:90A
z. The validity of that assumption was questioned in recent
studies. In one study, Kupinski et al. compared the performance of neural network models trained in
the conventional manner (i.e., minimize MSE) vs. those trained by a niched Pareto multi-objective
genetic algorithm (NP-GA) which simultaneously maximized sensitivity and speci:city [11]. Using
simulated XOR (exclusive or) data, they found that the ROC curve generated by NP-GA training
was superior to that resulting from conventional training for both a perceptron (logistic discriminant)
and an arti:cial neural network. Kupinski et al. also compared the performance of a conventionally
trained perceptron to a NP-GA trained perceptron for the task of breast mass detection [12]. They
found that while there was no signi:cant diOerence between the models in terms of Az, the NP-GA
trained perceptron was signi:cantly better in terms of the 0:90A
z. In other words, the weights identi:ed
by minimizing the MSE were inferior to those identi:ed by the NP-GA in terms of the model’s
performance at high sensitivities.

ผลลัพธ์ (ไทย) 1:

ความสัมพันธ์ระหว่างวัดสามเหล่านี้ไม่ดีเด: เน็ด แต่มีการunstated อัสสัมชัญโดยทั่วไปที่เป็น classi: เอ้อ รับการฝึกอบรมเพื่อเพิ่มประสิทธิภาพ MSE จะยังมีแนวโน้มปรับมาตรการอื่น ๆ เช่น Az และ 0:90A z มีผลบังคับใช้ของอัสสัมชัญที่ถูกไต่สวนในล่าสุดการศึกษา ในการศึกษาหนึ่ง Kupinski et al. เปรียบเทียบประสิทธิภาพของรูปแบบเครือข่ายประสาทในการฝึกอบรมลักษณะทั่วไป (เช่น ย่อ MSE) เทียบกับผู้รับการฝึกอบรม โดยมีวัตถุประสงค์หลาย Pareto nichedพันธุกรรมอัลกอริทึม (NP-GA) ที่ขยายใหญ่สุดพร้อมความไวและ speci:city [11] โดยใช้จำลองการ XOR (พิเศษ หรือ) พวกเขาพบข้อมูลที่เส้นโค้ง ROC ที่สร้างขึ้น โดยฝึกอบรม NP-GAเป็นห้องที่เกิดจากการฝึกอบรมทั่วไปสำหรับทั้งตัวเพอร์เซปตรอน (discriminant โลจิสติก)และอาการ: เครือข่ายประสาทซึ่งกันและกัน Kupinski et al. ยังเปรียบเทียบประสิทธิภาพของความดีเพอร์เซปตรอนฝึกให้เพอร์เซปตรอน NP-GA ฝึกงานของเต้านมโดยรวมตรวจ [12] พวกเขาพบว่าในขณะที่มี diOerence ไม่ signi:cant ระหว่างรุ่นใน Az, NP-GAเพอร์เซปตรอนฝึกถูก signi: ดี cantly ใน 0:90A z ในคำอื่น ๆ identi:ed น้ำหนักโดยย่อ MSE มีน้อยไปที่ identi:ed โดย NP-GA ในแบบจำลองประสิทธิภาพที่สูงรัฐ

ผลลัพธ์ (ไทย) 2:

ความสัมพันธ์ระหว่างทั้งสามวัดผลการปฏิบัติงานที่ไม่ได้ยกเลิกกัน: เน็ด
แต่มีสมมติฐานอันเป็นโดยทั่วไปว่าจัดประเภทนี้: เอ้อรับการฝึกอบรมเพื่อเพิ่มประสิทธิภาพ MSE
นอกจากนี้ยังจะมีแนวโน้มที่จะเพิ่มประสิทธิภาพของมาตรการอื่นๆ เช่น A
และ z 0: 90A ซี
ความถูกต้องของสมมติฐานที่ได้รับการสอบสวนในที่ผ่านมาการศึกษา ในการศึกษา Kupinski et al, เมื่อเทียบกับประสิทธิภาพการทำงานของเครือข่ายประสาทรุ่นได้รับการฝึกฝนในลักษณะเดิม (เช่นลด MSE) กับผู้ที่ผ่านการฝึกอบรมโดย niched Pareto หลายวัตถุประสงค์ขั้นตอนวิธีพันธุกรรม(NP-GA) ซึ่งมีความไวและพร้อมกันสูงสุด speci: เมือง [11] ใช้XOR จำลอง (ไม่รวมหรือ) ข้อมูลที่พวกเขาพบว่าเส้นโค้งร็อคที่สร้างขึ้นโดยการฝึกอบรม NP-GA จะดีกว่าที่เป็นผลมาจากการฝึกอบรมและบริการทั้งตรอน (จำแนกโลจิสติก) และ Arti: เครือข่ายประสาททางการ Kupinski et al, เปรียบเทียบผลการดำเนินงานของอัตภาพผ่านการฝึกอบรมตรอนไป NP-GA ตรอนผ่านการฝึกอบรมสำหรับงานของการตรวจสอบมวลเต้านม [12] พวกเขาพบว่าในขณะที่ไม่มีนัยสำคัญ: diOerence ลาดเทระหว่างรูปแบบในแง่ของ Az, NP-GA ได้รับการฝึกฝนตรอนเป็นนัยสำคัญ: อย่างมีนัยดีกว่าในแง่ของ 0: 90A ซี ในคำอื่น ๆ ระบุน้ำหนัก: เอ็ดโดยการลดMSE ได้ด้อยกว่าผู้ที่ระบุ: เอ็ด NP-GA ในแง่ของรูปแบบการแสดงที่ความไวแสงสูง

ผลลัพธ์ (ไทย) 3:

ความสัมพันธ์ระหว่างทั้งสามตัวชี้วัดไม่ได้ด้วย : เน็ด แต่มีสมมติฐานว่า unstated
โดยทั่วไป classi : เอ้อ การอบรมเพื่อเพิ่มประสิทธิภาพ MSE จะยังมีแนวโน้มที่จะปรับมาตรการอื่น ๆเช่น

Z และ 0:90a
Z . ความถูกต้องของสมมติฐานที่ถูกสอบสวนในการศึกษาล่าสุด

ในการศึกษาหนึ่ง kupinski et al . เปรียบเทียบประสิทธิภาพของแบบจำลองโครงข่ายประสาทเทียมฝึก
ลักษณะทั่วไป ( เช่น ลด MSE ) และผู้ที่ผ่านการฝึกอบรม โดย niched
โตหลายขั้นตอนวิธีเชิงพันธุกรรม ( np-ga ) ซึ่งพร้อมขยายความไวและประเภท : เมือง [ 11 ] ใช้ XOR ( Exclusive OR )
) ข้อมูลที่พวกเขาพบว่าโค้ง ROC ที่สร้างขึ้นโดย np-ga
ฝึกได้ดีกว่าการฝึกแบบปกติที่เป็นผลจากทั้ง PERCEPTRON ( Logistic จำแนกประเภท )
และเครือข่ายประสาทแห่งไร่ . kupinski et al . เปรียบเทียบประสิทธิภาพของไซส์โมซอรัสเป็นโดยทั่วไป
ฝึกใน np-ga ฝึกธรรมดาสำหรับงานของเต้านม การตรวจหามวล [ 12 ] พวกเขา
พบว่าในขณะที่ไม่มี signi : dioerence ลาดเทระหว่างรุ่นในแง่ของ AZ , np-ga
ฝึกธรรมดาก็ signi : ลดลงอย่างมีนัยสําคัญเมื่อขึ้นในแง่ของ 0:90a
Z . ในคำอื่น ๆน้ำหนัก identi
: เอ็ดโดยลด MSE เสียเปรียบ identi : เอ็ด โดย np-ga ในแง่ของประสิทธิภาพของ
โมเดลที่มีความไวสูง