In [Cortez and Morais, 2007], the o

In [Cortez and Morais, 2007], the output 'area' was first transformed with a ln(x+1) function.
Then, several Data Mining methods were applied. After fitting the models, the outputs were
post-processed with the inverse of the ln(x+1) transform. Four different input setups were
used. The experiments were conducted using a 10-fold (cross-validation) x 30 runs. Two
regression metrics were measured: MAD and RMSE. A Gaussian support vector machine (SVM) fed
with only 4 direct weather conditions (temp, RH, wind and rain) obtained the best MAD value:
12.71 +- 0.01 (mean and confidence interval within 95% using a t-student distribution). The
best RMSE was attained by the naive mean predictor. An analysis to the regression error curve
(REC) shows that the SVM model predicts more examples within a lower admitted error. In effect,
the SVM model predicts better small fires, which are the majority.

ผลลัพธ์ (ไทย) 1:

[Cortez และ Morais, 2007], ผลผลิต 'ตั้ง' ถูกเปลี่ยนไป โดยใช้ฟังก์ชัน ln(x+1) ก่อน แล้ว วิธีการทำเหมืองแร่ข้อมูลต่าง ๆ ถูกนำไปใช้ หลังจากรูปแบบที่เหมาะสม แสดงผลได้ หลังการประมวลผล ด้วยค่าผกผันของการแปลง ln(x+1) ถูกตั้งค่าสำหรับการป้อนค่าต่าง ๆ สี่ ใช้ ทดลองได้ดำเนินการโดยใช้การรัน 30 10-fold (การตรวจสอบข้าม) x สอง มีวัดวัดถดถอย: MAD และ RMSE เครื่องสนับสนุน Gaussian เวกเตอร์ (SVM) เลี้ยง กับอากาศโดยตรงเพียง 4 เงื่อนไข (ชั่ว RH ลม และฝน) ได้ดีบ้า: 12.71 + -0.01 (ค่าเฉลี่ยและช่วงความเชื่อมั่นภายใน 95% ใช้แจกนักเรียน t) ที่ สุด RMSE ที่บรรลุ โดยผู้ทายผลเฉลี่ยขำน่า การวิเคราะห์การถดถอยพลาดโค้ง (REC) แสดงว่า แบบ SVM ทำนายตัวอย่างเพิ่มเติมในความผิดพลาดต่ำกว่าที่ admitted ผล แบบ SVM ทำนายดีขนาดเล็กไฟ ซึ่งเป็นส่วนใหญ่

ผลลัพธ์ (ไทย) 2:

ใน [คอร์เตซและคอง 2007], เอาท์พุท 'พื้นที่' ก็กลายเป็นครั้งแรกที่มี LN (x + 1) ฟังก์ชั่น.
จากนั้นหลายวิธีการทำเหมืองข้อมูลถูกนำไปใช้ หลังจากการปรับรุ่น, เอาท์พุทได้รับการ
โพสต์การประมวลผลด้วยผกผันของ LN (x + 1) การแปลง สี่การตั้งค่าการป้อนข้อมูลที่แตกต่างกันถูก
นำมาใช้ ทดลองใช้ 10 เท่า (การตรวจสอบข้าม) x 30 วิ่ง สอง
ตัวชี้วัดการถดถอยวัด: MAD และ RMSE การสนับสนุนเครื่องเวกเตอร์เสียน (SVM) ที่เลี้ยง
มีเพียง 4 สภาพอากาศโดยตรง (ชั่วคราว, RH, ลมและฝน) ได้รับค่า MAD ที่ดีที่สุด:
12.71 + - 0.01 (ค่าเฉลี่ยและช่วงความเชื่อมั่น 95% ภายในโดยใช้การจัดจำหน่ายเสื้อนักเรียน)
RMSE ที่ดีที่สุดก็บรรลุโดยเฉลี่ยทำนายที่ไร้เดียงสา การวิเคราะห์โค้งข้อผิดพลาดการถดถอย
(บันทึก) แสดงให้เห็นว่ารูปแบบ SVM คาดการณ์ตัวอย่างเพิ่มเติมภายในข้อผิดพลาดเข้ารับการรักษาที่ต่ำกว่า ผล
รูปแบบ SVM คาดการณ์ไฟขนาดเล็กที่ดีขึ้นซึ่งเป็นส่วนใหญ่

ผลลัพธ์ (ไทย) 3:

ในคอร์เตซและ Morais [ 2007 ] , ส่งออก ' พื้นที่ ' แรกเปลี่ยนกับ LN ( x 1 ) ฟังก์ชัน
จากนั้นวิธีการเหมืองข้อมูลหลายคนใช้ หลังจากการปรับรุ่น ผลคือ
โพสต์การประมวลผลด้วยความผกผันของ ln ( x 1 ) เปลี่ยน สี่การตั้งค่า Input ต่างกัน
ใช้ . การทดลองใช้ 10 เท่า ( ข้ามการตรวจสอบ ) x 30 วิ่ง 2
ขั้นตอนการวัดวัด : บ้าและ RMSE . เป็นเกาส์สนับสนุนเวกเตอร์เครื่องจักร ( SVM ) เลี้ยง
มีเพียง 4 ตรงสภาพอากาศ ( อุณหภูมิความชื้นสัมพัทธ์ , ลมและฝน ) ได้รับค่าโกรธที่ดีที่สุด :
- - 0.01 ( ค่าเฉลี่ยและช่วงความเชื่อมั่น 95% โดยใช้การกระจายภายใน t-student ) วิธีที่ดีที่สุดบรรลุโดยการปฏิบัติ
หมายถึงไร้เดียงสา การวิเคราะห์การถดถอยโค้ง
ข้อผิดพลาด( REC ) พบว่าแบบจำลองคาดการณ์ SVM ตัวอย่างภายในลดลง ยอมรับข้อผิดพลาด ผล
SVM รุ่นไฟเล็ก ๆที่ดีกว่าคาดการณ์ ซึ่งส่วนใหญ่