Before fitting the models, the data

Before fitting the models, the data was first standardized to a zero mean and one standard deviation [13]. RMiner uses the efficient BFGS algorithm to train the NNs (nnet R package), while the SVM fit is based on the Sequential Minimal Optimization implementation provided by LIBSVM (kernlab package). The the hyperparameters (H and γ) will be set using the procedure described in the previous section and with the search ranges of H ∈ {0, 1, . . . , 11} [28] and γ ∈ {23, 21, . . . , 2−15} [25]. While the maximum number of searches is 12/10, in practice the parsimony approach (step 2 of Section 2.4) will reduce this number substantially.

ผลลัพธ์ (ไทย) 1:

ก่อนเหมาะสมรูปแบบ ข้อมูลถูกต้องเฉลี่ยเป็นศูนย์และส่วนเบี่ยงเบนมาตรฐานหนึ่ง [13] มาตรฐาน ใช้ RMiner อัลกอริทึม BFGS มีประสิทธิภาพฝึก NNs (แพคเกจ nnet R), ขณะ SVM พอดีตามงานเพิ่มประสิทธิภาพน้อยที่สุดตามลำดับโดย LIBSVM (แพ kernlab) Hyperparameters (H และγ) จะถูกตั้งค่าโดยใช้ขั้นตอนที่อธิบายไว้ ในส่วนก่อนหน้า และช่วงการค้นหา H ∈ { 0, 1,..., 11 } [28] และγ∈ {23, 21,..., 2−15 } [25] ขณะค้นหาจำนวน 12/10 ในทางปฏิบัติ วิธี parsimony (ขั้นตอนที่ 2 ของส่วน 2.4) จะลดตัวเลขนี้มาก

ผลลัพธ์ (ไทย) 2:

ก่อนที่จะกระชับแบบจำลองข้อมูลที่เป็นมาตรฐานแรกที่จะเป็นศูนย์ค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐาน [13] RMiner ใช้อัลกอริทึมที่มีประสิทธิภาพ BFGS ในการฝึกอบรม NNs (nnet แพคเกจ R) ในขณะที่พอดี SVM จะขึ้นอยู่กับการเพิ่มประสิทธิภาพการดำเนินงานน้อยที่สุดลำดับให้โดย LIBSVM (แพคเกจ kernlab) ที่ hyperparameters (H และγ) จะได้รับการตั้งค่าการใช้ขั้นตอนที่อธิบายในส่วนก่อนหน้าและมีช่วงการค้นหาของ H ∈ {0, 1, . . 11} [28] และγ∈ {23, 21, . . , 2-15} [25] ในขณะที่จำนวนสูงสุดของการค้นหาคือ 12/10 ในทางปฏิบัติวิธีประหยัด (ขั้นตอนที่ 2 ของมาตรา 2.4) จะลดจำนวนนี้อย่างมีนัยสำคัญ

ผลลัพธ์ (ไทย) 3:

ก่อนการปรับรุ่นข้อมูลแรกมาตรฐานศูนย์หมายถึงหนึ่งส่วนเบี่ยงเบนมาตรฐาน [ 13 ] rminer ใช้ขั้นตอนวิธีที่มีประสิทธิภาพ bfgs รถไฟ nns ( nnet r package ) ในขณะที่ SVM พอดีตามลําดับที่น้อยที่สุดเพิ่มประสิทธิภาพการใช้งานให้โดย libsvm ( แพคเกจ kernlab )ที่ hyperparameters ( H และγ ) จะถูกตั้งค่าโดยใช้วิธีการที่อธิบายไว้ในส่วนก่อนหน้านี้และมีการค้นหาช่วงของ H ∈ { 0 , 1 , . . . . . . . . 11 } [ 28 ] และγ∈ { 23 , 21 , . . . . . . . . 2 − 15 } [ 25 ] ในขณะที่จำนวนสูงสุดของการค้นหาคือ 12 / 10 ในการปฏิบัติ วิธีการ ความตระหนี่ ( ขั้นตอนที่ 2 ของมาตรา 5 ) จะลดหมายเลขนี้อย่างมาก .