Making accurate predictions is a di

Making accurate predictions is a difficult task that is encountered throughout many research domains. In certain cases, the number of available samples is so scarce that providing reliable estimates is a challenging problem. In this paper, we are interested in giving as accurate predictions as possible based on the Extreme Learning Machine type of a neural network in small sample data scenarios. Most of the Extreme Learning Machine literature is focused on choosing a particular model from a pool of candidates, but such approach usually ignores model selection uncertainty and has inferior performance compared to combining methods. We empirically examine several model selection criteria coupled with new model combining approaches that were recently proposed. The results obtained indicate that a careful choice among the combinations must be performed in order to have the most accurate and stable predictions.

ผลลัพธ์ (ไทย) 1:

ทำนายถูกต้องเป็นงานยากที่พบตลอดการวิจัยหลายโดเมน ในบางกรณี จำนวนตัวอย่างที่มีอยู่ขาดแคลนเพื่อให้การประเมินที่เชื่อถือได้ว่าเป็นปัญหาที่ท้าทาย ในกระดาษนี้ เราจะสนใจให้เป็นคาดคะเนถูกต้องเป็นไปตามชนิดของเครื่องจักรการเรียนรู้มากของเครือข่ายประสาทในตัวข้อมูลสถานการณ์ ส่วนใหญ่ของเอกสารประกอบการเรียนมากเครื่องเน้นเลือกแบบเฉพาะจากกลุ่มของผู้สมัคร แต่วิธีดังกล่าวมักจะละเว้นความไม่แน่นอนการเลือกรูปแบบ และมีประสิทธิภาพด้อยกว่าเมื่อเปรียบเทียบกับการผสมผสานวิธีการ เราตรวจสอบเกณฑ์เลือกรุ่นหลายควบคู่ไปกับวิธีการรวมรุ่นใหม่ ๆ ที่เพิ่งถูกเสนอเชิงประสบการณ์ด้วยการ ผลลัพธ์ที่ได้บ่งชี้ว่า ตัวเลือกระมัดระวังในการผสมต้องดำเนินการเพื่อให้มีการคาดการณ์ที่แม่นยำ และมีเสถียรภาพมากที่สุด

ผลลัพธ์ (ไทย) 2:

การคาดการณ์ที่ถูกต้องเป็นงานที่ยากที่จะพบได้ตลอดทั้งโดเมนวิจัยจำนวนมาก ในบางกรณีจำนวนตัวอย่างที่มีอยู่หายากเพื่อให้การให้ประมาณการที่เชื่อถือได้เป็นปัญหาที่ท้าทาย ในบทความนี้เรามีความสนใจในการให้การคาดการณ์ถูกต้องเท่าที่เป็นไปได้อยู่บนพื้นฐานของการเรียนรู้ที่มากที่สุดชนิดของเครื่องของเครือข่ายประสาทในสถานการณ์ข้อมูลตัวอย่างขนาดเล็ก ส่วนใหญ่ของวรรณกรรมเครื่องการเรียนรู้มากจะเน้นเกี่ยวกับการเลือกรูปแบบเฉพาะจากสระว่ายน้ำของผู้สมัคร แต่วิธีการดังกล่าวมักจะไม่สนใจความไม่แน่นอนของการเลือกรูปแบบและมีประสิทธิภาพที่ด้อยกว่าเมื่อเทียบกับวิธีการรวม เราสังเกตุตรวจสอบเกณฑ์การคัดเลือกรูปแบบหลายรูปแบบควบคู่ไปกับการรวมใหม่วิธีการที่ถูกนำเสนอเมื่อเร็ว ๆ นี้ ผลที่ได้แสดงให้เห็นว่าเป็นทางเลือกที่ระมัดระวังในหมู่รวมกันจะต้องมีการดำเนินการเพื่อให้มีการคาดการณ์ที่ถูกต้องมากที่สุดและมีเสถียรภาพ

ผลลัพธ์ (ไทย) 3:

ทำให้การคาดการณ์ที่ถูกต้องเป็นเรื่องยากที่พบตลอด โดเมนการวิจัยมากมาย ในบางกรณี จำนวนกลุ่มตัวอย่างที่ใช้ได้ก็หายากที่ให้ประเมินความน่าเชื่อถือเป็นปัญหาที่ท้าทาย . ในกระดาษนี้เราสนใจให้ความถูกต้องการคาดการณ์เป็นไปได้ขึ้นอยู่กับ extreme เครื่องการเรียนรู้ประเภทของเครือข่ายประสาทในสถานการณ์ข้อมูลขนาดเล็ก ตัวอย่าง ที่สุดของวรรณกรรมการเรียนรู้เครื่องมากจะเน้นการเลือกนางแบบจากสระว่ายน้ำของผู้สมัคร แต่วิธีการดังกล่าวมักจะมองข้ามการเลือกแบบจำลองความไม่แน่นอน และมีสมรรถนะด้อยกว่าเมื่อเทียบกับการรวมวิธี เราใช้ตรวจสอบหลายเกณฑ์การคัดเลือกตัวแบบควบคู่กับรูปแบบใหม่รวมวิธีที่ล่าสุดเสนอ ผลลัพธ์ที่ได้บ่งชี้ว่า จำเป็นต้องเลือกระหว่างชุดค่าผสมที่ต้องปฏิบัติเพื่อให้มีการคาดการณ์ที่ถูกต้องที่สุด และมั่นคง