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) 2:

ก่อนที่จะกระชับแบบจำลองข้อมูลที่เป็นมาตรฐานแรกที่จะเป็นศูนย์ค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐาน [16] RMiner ใช้อัลกอริทึมที่มีประสิทธิภาพ BFGS ในการฝึกอบรม NNs (nnet แพคเกจ R) ในขณะที่พอดี SVM จะขึ้นอยู่กับการเพิ่มประสิทธิภาพการดำเนินงานน้อยที่สุดลำดับให้โดย LIBSVM (แพคเกจ kernlab) เรานำข้อเสนอแนะ R เริ่มต้น [29] ยกเว้นอย่างเดียวมี hyperparameters นี้ (H และγ) ซึ่งจะได้รับการตั้งค่าการใช้ขั้นตอนที่อธิบายในส่วนก่อนหน้าและมีช่วงการค้นหาของ H ∈ {0, 1, ... , 11} [36] และγ∈ { 23, 21, ... , 15} 2 [31] ในขณะที่จำนวนสูงสุดของการค้นหาคือ 12/10 ในทางปฏิบัติวิธีประหยัด (ขั้นตอนที่ 2 ของมาตรา 4) จะลดจำนวนนี้อย่างมีนัยสำคัญ

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 .