In this paper the heterogeneous dis

In this paper the heterogeneous distance function was used with a probabilistic neural network for
classification, which allowed very fast training at the cost of a large, static network. However, this function
is appropriate for a wide range of basis function networks that use distance functions.
Current research is seeking to test the heterogeneous distance function on a variety of other models,
including various Radial Basis Function networks and instance-based machine learning systems. The
normalization factors are also being examined to see if they provide the best possible normalization.
In addition, it appears that some data which is tagged as “nominal” is often somewhat ordered. It is
hypothesized that if the values of nominal attributes are randomly rearranged then the HRBF would perform
about the same (since it does not depend on the ordering of nominal values), but that the homogeneous RBF
would suffer a loss in accuracy. The accuracy of this hypothesis and the severity of the loss in accuracy are
currently being explored.

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ ใช้ฟังก์ชันระยะทางแตกต่างกัน ด้วยเครือข่ายประสาท probabilistic สำหรับการจัดประเภท ซึ่งได้รับอนุญาตอย่างรวดเร็วฝึกหน่วยเครือข่ายขนาดใหญ่ คง อย่างไรก็ตาม ฟังก์ชันนี้เหมาะสมสำหรับเครือข่ายฟังก์ชันพื้นฐานที่ใช้ฟังก์ชันระยะทางงานวิจัยปัจจุบันกำลังทดสอบฟังก์ชันระยะทางแตกต่างกันหลากหลายรูปแบบอื่น ๆรวมทั้งเครือข่ายฟังก์ชันฐานรัศมีและเครื่องอินสแตนซ์โดยใช้ระบบการเรียนรู้ต่าง ๆ ที่ปัจจัยฟื้นฟูยังมีการตรวจสอบเพื่อดูถ้าพวกเขาให้ฟื้นฟูได้ดีที่สุดนอกจากนี้ ปรากฏว่า ข้อมูลบางอย่างที่ถูกติดแท็กว่า "ระบุ" มักจะค่อนข้างสั่ง จึงตั้งสมมติฐานที่ว่าถ้าค่าของแอตทริบิวต์ที่ระบุเป็นแบบสุ่มปรับใหม่ แล้ว HRBF จะทำเหมือนกัน (เพราะมันขึ้นอยู่กับลำดับของค่า nominal), แต่ RBF เหมือนจะประสบการขาดทุนในความถูกต้อง ความรุนแรงของการสูญเสียในความแม่นยำและความถูกต้องของสมมติฐานนี้ขณะนี้กำลังสำรวจ

ผลลัพธ์ (ไทย) 2:

ในบทความนี้ฟังก์ชั่นที่แตกต่างกันได้ระยะทางที่ใช้กับเครือข่ายประสาทน่าจะเป็นสำหรับการจัดหมวดหมู่การฝึกอบรมที่ได้รับอนุญาตอย่างรวดเร็วในราคาที่มีขนาดใหญ่เครือข่ายคงที่
แต่ฟังก์ชั่นนี้เป็นที่เหมาะสมสำหรับความหลากหลายของฟังก์ชั่นเครือข่ายพื้นฐานที่ใช้ฟังก์ชั่นระยะ.
งานวิจัยในปัจจุบันคือการแสวงหาที่จะทดสอบฟังก์ชั่นที่แตกต่างกันในระยะทางที่หลากหลายของรุ่นอื่น ๆ
รวมถึงเครือข่ายเกณฑ์ Radial ต่างๆเช่นฟังก์ชั่นและการใช้ระบบการเรียนรู้เครื่อง
ปัจจัยการฟื้นฟูยังมีการตรวจสอบเพื่อดูว่าพวกเขาให้การฟื้นฟูที่ดีที่สุด.
นอกจากนี้ยังปรากฏว่าข้อมูลบางอย่างซึ่งเป็นที่ติดแท็กเป็น "ชื่อ" มักจะได้รับคำสั่งบ้าง มันถูกตั้งสมมติฐานว่าถ้าค่าของคุณลักษณะที่ระบุมีการจัดสุ่มแล้ว HRBF จะดำเนินการเกี่ยวกับเดียวกัน(เพราะมันไม่ได้ขึ้นอยู่กับการสั่งซื้อของค่าที่ระบุ) แต่ที่เป็นเนื้อเดียวกัน RBF จะประสบความสูญเสียในความถูกต้อง ความถูกต้องของสมมติฐานนี้และความรุนแรงของการสูญเสียในความถูกต้องที่มีในขณะนี้ถูกสำรวจ

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้ฟังก์ชันระยะทางต่างกันมีการใช้เครือข่ายประสาทความน่าจะเป็นสำหรับ
การจำแนกซึ่งอนุญาตให้รวดเร็วมากการฝึกที่ค่าใช้จ่ายของเครือข่ายคงที่ขนาดใหญ่ . อย่างไรก็ตาม ฟังก์ชันนี้
เหมาะสำหรับหลากหลายของฟังก์ชั่นเครือข่ายพื้นฐานที่ใช้ฟังก์ชันระยะทาง
งานวิจัยในปัจจุบันคือการแสวงหาเพื่อทดสอบฟังก์ชันระยะทางที่แตกต่างกันบนความหลากหลายของรุ่นอื่น ๆรวมถึงรัศมีพื้นฐานการทำงานของเครือข่าย
ต่างๆและตัวอย่างจากการเรียนรู้ด้วยเครื่องจักรระบบ
ปัจจัยปกติยังมีการตรวจสอบเพื่อดูว่าพวกเขามีการฟื้นฟูที่ดีที่สุด
นอกจากนี้ ปรากฏว่ามีข้อมูลที่ติดแท็กเป็น " ปกติ " คือมักจะค่อนข้างสั่งมันคือ
ตั้งสมมติฐานว่า ถ้าค่าของแอตทริบิวต์ชื่อสุ่มจัดใหม่แล้ว hrbf จะปฏิบัติ
เหมือนกัน ( เพราะมันไม่ได้ขึ้นอยู่กับการสั่งซื้อของค่าปกติ ) แต่ที่เป็นเนื้อเดียวกัน จะประสบปัญหาขาดทุน
ให้เช่าได้ในความถูกต้อง ความถูกต้องของสมมติฐานนี้และความรุนแรงของการสูญเสียในความถูกต้อง
กําลังสํารวจ