Unsupervised classification used th

Unsupervised classification used the classical hierarchical agglomerative algorithm (HAC) illustrated by an UPGMA tree based on Euclidean distances between shape variables. Supervised classification was performed as a validated one, i.e., each reclassified case did not contribute to the model used to perform the classification. The model was an artificial neural network (ANN) making use of a simple multilayer perceptron (MLP) with a back- propagation algorithm [42]. The method has been recently applied to morphometric data, including outline-based morphometrics [43,44]. Following a process of trial-and-error, a single (hidden) layer composed of three neurons provided the best results. We used as input the total number of variables instead of a subset of their PCs. All specimens were separately classified 10 times, then an average classification score and its standard error were computed. The “accuracy” (Table 2) was the percentage of individuals correctly identified at the end of the procedure and is provided with the standard deviation.

ผลลัพธ์ (ไทย) 1:

การจำแนกประเภทแบบไม่มีผู้ดูแลใช้อัลกอริธึมการจับกลุ่มตามลำดับชั้นแบบคลาสสิก (HAC) ที่แสดงโดยแผนผัง UPGMA ตามระยะห่างแบบยุคลิดระหว่างตัวแปรรูปร่าง การจำแนกประเภทแบบมีผู้ดูแลดำเนินการเป็นแบบที่ผ่านการตรวจสอบแล้ว กล่าวคือ แต่ละกรณีที่จัดประเภทใหม่ไม่ได้มีส่วนสนับสนุนแบบจำลองที่ใช้ในการจำแนกประเภท แบบจำลองนี้เป็นเครือข่ายประสาทเทียม (ANN) ที่ใช้ Perceptron หลายชั้นอย่างง่าย (MLP) พร้อมอัลกอริธึมการเผยแพร่กลับ [42] วิธีการนี้ได้ถูกนำไปใช้กับข้อมูลมอร์โฟเมตริกเมื่อเร็วๆ นี้ รวมถึงมอร์โฟเมตริกแบบอิงโครงร่าง [43,44] หลังจากกระบวนการลองผิดลองถูก เลเยอร์เดียว (ซ่อนอยู่) ที่ประกอบด้วยเซลล์ประสาท 3 ตัวให้ผลลัพธ์ที่ดีที่สุด เราใช้เป็นอินพุตจำนวนตัวแปรทั้งหมดแทนที่จะเป็นชุดย่อยของพีซี ตัวอย่างทั้งหมดถูกจำแนกแยกกัน 10 ครั้ง จากนั้นจึงคำนวณคะแนนการจำแนกประเภทโดยเฉลี่ยและข้อผิดพลาดมาตรฐาน “ความแม่นยำ” (ตารางที่ 2) คือเปอร์เซ็นต์ของบุคคลที่ระบุอย่างถูกต้องเมื่อสิ้นสุดกระบวนการ และมีค่าเบี่ยงเบนมาตรฐาน

ผลลัพธ์ (ไทย) 2:

การจำแนกประเภทแบบไม่มีการควบคุมใช้อัลกอริทึมการรวบรวมชั้นแบบคลาสสิก (HAC) ซึ่งแสดงโดยต้นไม้ UPGMA ตามระยะทางยูคลิดระหว่างตัวแปรรูปร่าง การจำแนกประเภทการกำกับดูแลเป็นการจำแนกเพื่อตรวจสอบว่าแต่ละกรณีที่จัดประเภทใหม่ไม่ได้มีส่วนช่วยในการจัดประเภทแบบจำลองที่ใช้ในการจัดประเภท โมเดลนี้เป็นเครือข่ายประสาทเทียม (ANN) ที่ใช้เซ็นเซอร์หลายชั้นอย่างง่าย (MLP) และอัลกอริทึมการแพร่กระจายแบบย้อนกลับ [42] วิธีการนี้ได้ถูกนำมาใช้เมื่อเร็ว ๆ นี้ในข้อมูลการวัดทางสัณฐานวิทยารวมถึงการวัดทางสัณฐานวิทยาตามโปรไฟล์ [43, 44] หลังจากการทดลองซ้ำแล้วซ้ำอีกชั้นเดียว (ซ่อน) ประกอบด้วยเซลล์ประสาทสามเซลล์ให้ผลลัพธ์ที่ดีที่สุด เราใช้จำนวนตัวแปรทั้งหมดเป็นอินพุตแทนที่จะเป็นสับเซตของพีซี ตัวอย่างทั้งหมดจะถูกจัดเรียงแยกต่างหาก 10 ครั้งแล้วคะแนนการจัดหมวดหมู่เฉลี่ยจะถูกคำนวณและข้อผิดพลาดมาตรฐาน "ความถูกต้อง" (ตารางที่ 2) เป็นเปอร์เซ็นต์ของบุคคลที่ระบุอย่างถูกต้องในตอนท้ายของ p

ผลลัพธ์ (ไทย) 3:

การจําแนกประเภทที่ไม่ได้รับการดูแลจะใช้อัลกอริธึมการควบแน่นแบบลําดับชั้นแบบคลาสสิก( HAC )ซึ่งแสดงโดยต้นไม้UPGMAตามระยะทางeuclidระหว่างตัวแปรรูปร่าง การจําแนกประเภทการกํากับดูแลจะดําเนินการเป็นการจําแนกประเภทการตรวจสอบซึ่งหมายความว่ากรณีการจําแนกประเภทใหม่แต่ละครั้งจะไม่มีผลต่อรูปแบบที่ใช้ในการจําแนกประเภท โมเดลนี้เป็นเครือข่ายประสาทเทียม( ann )โดยใช้อัลกอริธึมการตรวจจับแบบหลายชั้นแบบง่าย( MLP )และอัลกอริทึมการแพร่กระจายแบบย้อนกลับ( 42 ) วิธีนี้ได้ถูกนํามาใช้เมื่อเร็วๆนี้กับข้อมูลการวัดทางสัณฐานวิทยารวมทั้งการวัดทางสัณฐานวิทยาตามเส้นขอบ[ 43,44 ] หลังจากทดลองซ้ําแล้วซ้ําอีกชั้นเดียว(ซ่อน)ของเซลล์ประสาทสามตัวให้ผลลัพธ์ที่ดีที่สุด เราใช้จํานวนตัวแปรทั้งหมดเป็นอินพุตไม่ใช่ชุดย่อยของพวกเขา ตัวอย่างทั้งหมดถูกจําแนก10ครั้งตามลําดับและคํานวณคะแนนการจัดหมวดหมู่เฉลี่ยและข้อผิดพลาดมาตรฐาน "ความถูกต้อง" (ตารางที่2 )เป็นเปอร์เซ็นต์ของบุคคลที่ได้รับการระบุอย่างถูกต้องในตอนท้ายของโปรแกรมและมีการเบี่ยงเบนมาตรฐาน