2.3. Analysis of trained neural net

2.3. Analysis of trained neural network
It is possible to carry out an analysis of a trained neural network, in order to determine the level of influence of each input variable on output nodes. Based on the work of Olden et al. (2004) which builds on that of Olden and Jackson (2002), this was carried out by determining the product of the connections weights between input/hidden layer 1, hidden layer 1/hidden layer 2 and hidden layer 2/output nodes for each combination of input neuron and output neuron, with each combination of input, hidden and output nodes summed across combinations of input and output nodes. The absolutes of the resultant values are normalised within the range [0, 1]. Due to the fact that leave-one-out analysis was used and that a total of 127 networks were trained, the means of input parameter influence over all networks were calculated. The values given from this analysis tell us which input parameters are more influential than others
in terms of predicting individual outputs, although they do not give a direct numerical relationship between inputs and outputs.

ผลลัพธ์ (ไทย) 1:

2.3 การวิเคราะห์เครือข่ายประสาทฝึก
จำเป็นต้องดำเนินการวิเคราะห์เครือข่ายฝึกประสาท เพื่อกำหนดระดับของอิทธิพลของตัวแปรอินพุตแต่ละโหนดออก ขึ้นอยู่กับการทำงานของ Olden et al. (2004) ซึ่งสร้างบนที่ Olden และ Jackson (2002), นี้ถูกดำเนินการ โดยกำหนดผลิตภัณฑ์ของน้ำหนักการเชื่อมต่อระหว่างอินพุต/ซ่อนชั้น 1 ชั้นซ่อน ซ่อน/1 ชั้น 2 และซ่อนชั้นโหน 2 ขั้นการเข้าเซลล์ประสาทและเซลล์ประสาทออก แต่ละชุดรวมทั้งชุดของอินพุท และเอาท์พุทโหนโหนอินพุต ซ่อน และผลลัพธ์ Absolutes ค่าผลแก่มี normalised อยู่ในช่วง [0, 1] มีคำนวณหมายถึงพารามิเตอร์ป้อนเข้ามีอิทธิพลผ่านเครือข่ายทั้งหมดเนื่องจากว่า ใช้วิเคราะห์ลาหนึ่งออก และให้มีการฝึกอบรมจำนวนเครือข่าย 127 ค่าที่กำหนดจากการวิเคราะห์นี้บอกเราป้อนข้อมูลมีอิทธิพลมากขึ้นกว่าคนอื่น ๆ
ในรูปแบบของการแสดงผลแต่ละราย การคาดการณ์ ถึงแม้ว่าพวกเขาไม่ให้ความสัมพันธ์เป็นตัวเลขโดยตรงระหว่างอินพุตและเอาท์พุต

ผลลัพธ์ (ไทย) 2:

2.3 การวิเคราะห์เครือข่ายประสาทได้รับการฝึกฝน
เป็นไปได้ที่จะดำเนินการวิเคราะห์เครือข่ายประสาทได้รับการฝึกฝนเพื่อที่จะกำหนดระดับของอิทธิพลของตัวแปรในแต่ละโหนดเอาท์พุท ขึ้นอยู่กับการทำงานของโบราณและคณะ (2004) ซึ่งสร้างในที่ของโบราณและแจ็คสัน (2002) นี้ได้ดำเนินการโดยระบุว่าสินค้าของการเชื่อมต่อน้ำหนักระหว่างอินพุต / ซ่อนชั้นที่ 1, ชั้นที่ซ่อนอยู่ 1 ชั้นที่ 2 และชั้นที่ซ่อนอยู่โหนด 2 / ส่งออก / ซ่อนไว้สำหรับแต่ละ การรวมกันของเซลล์ประสาทและเซลล์ประสาทนำเข้าส่งออกที่มีการรวมกันของการป้อนข้อมูลแต่ละโหนดที่ซ่อนอยู่และเอาท์พุทสรุปในการรวมกันของอินพุทและเอาท์พุทโหนด ตายตัวของค่าผลลัพธ์ที่มีนัยในช่วง [0, 1] เนื่องจากข้อเท็จจริงที่ว่าหนึ่งลาออกจากการวิเคราะห์ถูกนำมาใช้และรวมของ 127 เครือข่ายที่ได้รับการฝึกฝนหมายถึงอิทธิพลของพารามิเตอร์การป้อนข้อมูลผ่านเครือข่ายทั้งหมดจะถูกคำนวณ ค่าที่ได้รับจากการวิเคราะห์นี้บอกเราที่ป้อนพารามิเตอร์ที่มีอิทธิพลมากขึ้นกว่าคนอื่น ๆ
ในแง่ของการทำนายผลของแต่ละคนแม้ว่าพวกเขาจะไม่ให้ความสัมพันธ์ของตัวเลขโดยตรงระหว่างปัจจัยการผลิตและผล

ผลลัพธ์ (ไทย) 3:

2.3 การวิเคราะห์ของการฝึกฝนโครงข่ายประสาทเทียม
ก็เป็นไปได้ที่จะดำเนินการวิเคราะห์ของการฝึกฝนโครงข่ายประสาทเทียมเพื่อตรวจสอบระดับของอิทธิพลของตัวแปรแต่ละท่านออก โหนด ขึ้นอยู่กับการทำงานของสมัยก่อน et al . ( 2004 ) ซึ่งสร้างในที่สมัยก่อน กับ แจ็คสัน ( 2002 ) , นี้กระทำโดยการกำหนดผลิตภัณฑ์ของการเชื่อมต่อน้ำหนักระหว่าง input / ชั้นซ่อน 1ชั้นซ่อน 1 ชั้น 2 และชั้นซ่อน 2 / ออกสำหรับแต่ละชุดของโหนดและเซลล์ประสาทเซลล์ประสาท input output ที่ซ่อนกับแต่ละชุดของข้อมูลที่ซ่อนอยู่และเอาท์พุทโหนดสรุปผ่านชุดของการส่งออกและนำเข้าโหนด ส่วนของค่าดังกล่าวจะแอ็บโซลุท เท่ากับในช่วง [ 0 , 1 ]เนื่องจากความจริงที่ว่าปล่อยออกมาวิเคราะห์ และใช้ที่ทั้งหมด 127 เครือข่ายการฝึกอบรมวิธีการมีอิทธิพลต่อการป้อนพารามิเตอร์ผ่านเครือข่ายได้ คุณค่าที่ได้รับจากการวิเคราะห์นี้บอกเราว่าป้อนพารามิเตอร์มีอิทธิพลมากขึ้นกว่าคนอื่น ๆในแง่ของการคาดการณ์ผลผลิต
บุคคลถึงแม้ว่าพวกเขาไม่ได้ให้โดยตรง การคำนวณความสัมพันธ์ระหว่างปัจจัยการผลิตและผลผลิต