B. The Model Testing ResultsIn this

B. The Model Testing Results
In this section, we present the testing results of our neural network diagnostic model as shown in Figure 3 to estimate its probability of misclassification error for malignant breast cancer and benign disease outcomes using the resubstitution method.
When the training model completed its training in Figure 1, the final trained weights from the training model were loaded into the neural network diagnostic model. Using the same pattern dataset including all of the available 830 clinical instances of the mammographic mass data, the diagnostic model was tested to estimate its probability of misclassification error in distinguishing malignant breast cancer and benign disease for breast biopsy outcome predictions. During the testing process, the threshold T of the two-lever hard-limit classifier in Figure 3 was set to 0.5. If the output of the diagnostic model was 1, it indicated malignant breast cancer. If the output of the diagnostic model was 0, it indicated benign disease.

ผลลัพธ์ (ไทย) 1:

B. ผลการทดสอบแบบจำลองในส่วนนี้ เรานำผลทดสอบของรุ่นเราวินิจฉัยเครือข่ายประสาท ดังแสดงในรูปที่ 3 การประเมินความน่าเป็น misclassification ข้อผิดพลาดสำหรับมะเร็งเต้านมที่ร้ายแรง และโรคอ่อนโยนผลลัพธ์โดยใช้วิธี resubstitutionเมื่อแบบฝึกเสร็จสิ้นการฝึกอบรมในรูปที่ 1 ถูกโหลดน้ำหนักสุดท้ายที่ฝึกจากแบบฝึกเป็นแบบวินิจฉัยเครือข่ายประสาท ใช้ชุดข้อมูลรูปแบบเดียวกันรวมทั้งหมดของอินสแตนซ์ 830 คลินิกว่างของข้อมูลโดยรวม mammographic แบบวินิจฉัยถูกทดสอบเพื่อประเมินความน่าเป็น misclassification ข้อผิดพลาดในการแยกโรคอ่อนโยนสำหรับคาดคะเนผลการตรวจชิ้นเนื้อเต้านมและมะเร็งเต้านมที่ร้ายแรง ระหว่างการทดสอบ จำกัด T ของ classifier ยากข้อจำกัดสองคานในรูปที่ 3 ถูกตั้งค่าเป็น 0.5 ถ้าผลลัพธ์ของรูปแบบการวินิจฉัย 1 ระบุโรคมะเร็งเต้านมที่ร้ายแรง ถ้าผลลัพธ์ของรูปแบบการวินิจฉัย 0 ระบุโรคอ่อนโยน

ผลลัพธ์ (ไทย) 2:

บีรุ่นผลการทดสอบในส่วนนี้เราจะนำเสนอผลการทดสอบของเครือข่ายประสาทของเรารูปแบบการวินิจฉัยดังแสดงในรูปที่ 3 เพื่อประเมินความน่าจะเป็นข้อผิดพลาดของการจำแนกมะเร็งเต้านมมะเร็งและผลลัพธ์ที่เป็นพิษเป็นภัยโรคโดยใช้วิธีการ resubstitution ได้. เมื่อแบบการฝึกอบรม เสร็จสิ้นการฝึกอบรมในรูปที่ 1 น้ำหนักผ่านการฝึกอบรมครั้งสุดท้ายจากแบบการฝึกอบรมที่ถูกโหลดลงในรูปแบบเครือข่ายประสาทวินิจฉัย การใช้ชุดรูปแบบเดียวกันรวมทั้งหมดของที่มีอยู่ 830 กรณีคลินิกของข้อมูลมวล mammographic รูปแบบการวินิจฉัยได้รับการทดสอบเพื่อประเมินความน่าจะเป็นของความผิดพลาดในการจำแนกความแตกต่างเป็นมะเร็งเต้านมและโรคมะเร็งเป็นพิษเป็นภัยสำหรับการตรวจชิ้นเนื้อเต้านมการคาดการณ์ผล ในระหว่างขั้นตอนการทดสอบเกณฑ์ T ของทั้งสองคันลักษณนามยากขีด จำกัด ในรูปที่ 3 ถูกตั้ง 0.5 ถ้าผลของรูปแบบการวินิจฉัยคือ 1, มันชี้มะเร็งโรคมะเร็งเต้านม ถ้าผลของรูปแบบการวินิจฉัยเป็น 0 มันชี้ให้เห็นการเกิดโรคเป็นพิษเป็นภัย

ผลลัพธ์ (ไทย) 3:

2 . แบบทดสอบผลลัพธ์
ในส่วนนี้ เราได้นำเสนอผลการทดสอบการวินิจฉัยของเราโดยใช้โครงข่ายประสาทเทียมแบบดังแสดงในรูปที่ 3 เพื่อประเมินถึงโอกาสผิดพลาดข้อผิดพลาดสำหรับโรคมะเร็งเต้านมและโรคเนื้องอกมะเร็ง ผลใช้วิธี resubstitution .
เมื่อการฝึกอบรมเสร็จสิ้นการฝึกอบรมของ บริษัท ในรูปที่ 1สุดท้ายฝึกหนักจากการฝึกแบบมีโหลดเข้าสู่โครงข่ายประสาทเทียมแบบนางแบบ การใช้รูปแบบเดียวกัน รวมถึงข้อมูลทั้งหมดที่มีอยู่แต่กรณีของข้อมูลมวลๆคลินิก ,แบบทดสอบวินิจฉัยเพื่อประเมินความน่าจะเป็นของความคลาดเคลื่อนผิดพลาดแยกโรคมะเร็งเต้านมและโรคมะเร็งเนื้องอกเต้านมเนื้อเยื่อคาดคะเนผล ในระหว่างกระบวนการทดสอบ เกณฑ์ของทั้งสองงัดยากแบบในรูปที่ 3 คือการตั้งค่าขีด จำกัด ต่อ 0.5 ถ้าการแสดงผลของรูปแบบการวินิจฉัย 1 พบโรคมะเร็งเต้านมเนื้อร้ายถ้าการแสดงผลของรูปแบบการวินิจฉัยคือ 0 พบเนื้องอก โรค