When applying these DM methods, var

When applying these DM methods, variable and model selection are critical issues. Variable selection [14] is useful to discard irrelevant inputs, leading to simpler models that are easier to interpret and that usually give better performances. Complex models may overfit the data, losing the capability to generalize, while a model that is too simple will present limited learning capabilities. Indeed, both NN and SVM have hyperparameters that need to be adjusted [16], such as the number of NN hidden nodes or the SVM kernel parameter, in order to get good predictive accuracy (see Section 2.3).
The use of decision support systems by the wine industry is mainly focused on the wine production phase [12]. Despite the potential of DM techniques to predict wine quality based on physicochemical data,

ผลลัพธ์ (ไทย) 1:

เมื่อใช้วิธีการเหล่านี้ DM ตัวแปร และรูปแบบการเลือกเป็นเรื่องสำคัญ เลือกตัวแปร [14] มีประโยชน์ในการยกเลิกเกี่ยวข้องกับปัจจัยการผลิต นำไปสู่รูปแบบเรียบง่ายที่ง่ายต่อการตีความ และที่มักจะให้ประสิทธิภาพดีกว่า รูปแบบที่ซับซ้อนอาจ overfit ข้อมูล สูญเสียความสามารถในการทั่วไป ในขณะที่รูปแบบที่ง่ายเกินไปจะนำเสนอความสามารถในการเรียนรู้จำกัด แน่นอน NN และ SVM มี hyperparameters ที่จำเป็นต้อง ปรับปรุง [16] , เช่นหมายเลขของโหน NN ซ่อนหรือ SVM เคอร์เนลพารามิเตอร์ เพื่อให้ได้ความถูกต้องงานดี (ดูหัวข้อ 2.3)ส่วนใหญ่มีเน้นการใช้ระบบสนับสนุนการตัดสินใจโดยอุตสาหกรรมไวน์ในขั้นตอนการผลิตไวน์ [12] แม้ศักยภาพของ DM เทคนิคการทำนายคุณภาพไวน์ตามข้อมูล physicochemical

ผลลัพธ์ (ไทย) 2:

เมื่อใช้วิธีการเหล่านี้ DM ตัวแปรและการเลือกรูปแบบนี้เป็นปัญหาที่สำคัญ เลือกตัวแปร [14] จะเป็นประโยชน์ที่จะทิ้งปัจจัยการผลิตที่ไม่เกี่ยวข้องนำไปสู่รูปแบบที่เรียบง่ายที่ง่ายต่อการตีความและที่มักจะให้การแสดงที่ดีขึ้น โมเดลที่ซับซ้อนอาจ overfit ข้อมูลการสูญเสียความสามารถในการพูดคุยในขณะที่รูปแบบที่ง่ายเกินไปจะนำเสนอความสามารถในการเรียนรู้ที่ จำกัด อันที่จริงทั้ง NN และ SVM มี hyperparameters ที่ต้องมีการปรับ [16] เช่นจำนวน NN โหนดที่ซ่อนอยู่หรือพารามิเตอร์เคอร์เนล SVM ในการสั่งซื้อที่จะได้รับความถูกต้องของการทำนายที่ดี (ดูมาตรา 2.3).
การใช้งานของระบบสนับสนุนการตัดสินใจ โดยอุตสาหกรรมไวน์ที่มีการมุ่งเน้นในขั้นตอนการผลิตไวน์ [12] แม้จะมีศักยภาพของเทคนิค DM ในการทำนายคุณภาพไวน์บนพื้นฐานของข้อมูลทางเคมีกายภาพ,

ผลลัพธ์ (ไทย) 3:

เมื่อใช้วิธีการ DM เหล่านี้ ตัวแปร และการเลือกรูปแบบเป็นปัญหาวิกฤต การเลือกตัวแปร [ 14 ] เป็นประโยชน์ทิ้งกระผมไม่เกี่ยว สู่รูปแบบง่ายที่ง่ายต่อการตีความและมักจะให้สมรรถนะดีขึ้น โมเดลที่ซับซ้อนอาจ overfit ข้อมูลการสูญเสียความสามารถในการอนุมานในขณะที่รูปแบบที่ง่ายเกินไปจะนำเสนอความสามารถในการเรียนรู้จำกัด .และแน่นอน ทั้ง NN SVM มี hyperparameters ที่ต้องปรับ [ 16 ] เช่นจำนวนของโหนด NN ที่ซ่อนอยู่หรือพารามิเตอร์ของเคอร์เนล SVM ในการสั่งซื้อเพื่อให้ได้ความแม่นยำในการทำนายที่ดี ( ดูมาตรา 2.3 ) .
ใช้ระบบสนับสนุนการตัดสินใจโดยอุตสาหกรรมไวน์จะเน้นหลักในการผลิตไวน์เฟส [ 12 )แม้ศักยภาพของเทคนิค DM เพื่อทำนายคุณภาพไวน์ขึ้นอยู่กับข้อมูลเคมีฟิสิกส์