Due to advances in the data mining

Due to advances in the data mining (DM) field, it is possible to extract knowledge
from raw data. Indeed, powerful techniques such as neural networks (NNs)
and more recently support vector machines (SVMs) are emerging. While being
more flexible models (i.e. no a priori restriction is imposed), the performance depends
on a correct setting of hyperparameters (e.g. SVM kernel parameter) and
the input variables used by the model. In this study, we present an integrated
and computationally efficient approach that simultaneously addresses both issues.
Sensitivity analysis is used to extract knowledge from the NN/SVM models,
given in terms of the effect on the responses when one input is varied, leading
to the proposed Variable Effect Characteristic (VEC) curves, and relative importance
of the inputs (measured by the variance of the response changes). The
the variable selection is guided by sensitivity analysis and the model selection is
based on parsimony search that starts from a reasonable value and is stopped
when the generalization estimate decreases

ผลลัพธ์ (ไทย) 1:

เนื่องจากความก้าวหน้าในฟิลด์ (DM) การทำเหมืองข้อมูล เป็นการขยายความรู้จากข้อมูลดิบ แน่นอน เทคนิคที่มีประสิทธิภาพเช่นเครือข่ายประสาท (NNs)และเมื่อเร็ว ๆ นี้ สนับสนุนเครื่องแบบเวกเตอร์ (SVMs) เกิดขึ้นใหม่ ในขณะที่กำลังรุ่นที่มีความยืดหยุ่น (เช่นไม่บังคับ priori มีข้อจำกัด), ขึ้นอยู่กับประสิทธิภาพการทำงานในการแก้ไขการตั้งค่าของ hyperparameters (เช่น SVM เคอร์เนลพารามิเตอร์) และตัวแปรป้อนที่ใช้รุ่น ในการศึกษานี้ เราแสดงการรวมและวิธี computationally มีประสิทธิภาพที่อยู่พร้อมทั้งปัญหาใช้การวิเคราะห์ความไวเพื่อดึงความรู้จากรุ่น NN/SVMกำหนดในด้านผลการตอบสนองเมื่ออินพุตหนึ่งแตกต่างกัน ชั้นนำเส้นโค้งลักษณะผลตัวแปร (VEC) นำเสนอ และความสำคัญของอินพุตที่ (วัด โดยความแปรปรวนของการตอบสนองเปลี่ยนแปลง) ที่การเลือกตัวแปรเป็นคำแนะนำจากการวิเคราะห์ความไว และเลือกรูปแบบตามค้นหา parsimony ที่เริ่มต้นจากค่าที่เหมาะสม และถูกหยุดเมื่อประเมิน generalization ลด

ผลลัพธ์ (ไทย) 2:

เนื่องจากความก้าวหน้าในการทำเหมืองข้อมูล (DM)
สนามก็เป็นไปได้ที่จะดึงความรู้จากข้อมูลดิบ อันที่จริงเทคนิคที่มีประสิทธิภาพเช่นเครือข่ายประสาท (NNs)
และเมื่อเร็ว ๆ สนับสนุนเครื่องเวกเตอร์ (SVMs) ที่เกิดขึ้นใหม่ ในขณะที่เป็นรูปแบบที่มีความยืดหยุ่นมากขึ้น (คือไม่มีข้อ จำกัด เบื้องต้นจะเรียกเก็บ) ผลการดำเนินงานขึ้นอยู่กับการตั้งค่าที่ถูกต้องของhyperparameters (เช่นเคอร์เนลพารามิเตอร์ SVM) และตัวแปรที่ใช้โดยรูปแบบ ในการศึกษานี้เรานำเสนอแบบบูรณาการวิธีการและมีประสิทธิภาพคอมพิวเตอร์ที่พร้อมอยู่ในประเด็นที่ทั้งสอง. การวิเคราะห์ความไวแสงที่ใช้ในการดึงความรู้จากรุ่น NN / SVM, ได้รับในแง่ของผลกระทบต่อการตอบสนองเมื่อป้อนข้อมูลจะแตกต่างกันที่นำไปสู่​​ เสนอตัวแปรลักษณะผล (VEC) เส้นโค้งและความสำคัญของปัจจัยการผลิต (วัดจากความแปรปรวนของการเปลี่ยนแปลงการตอบสนอง) การเลือกตัวแปรเป็นแนวทางโดยการวิเคราะห์ความไวและการเลือกรูปแบบจะขึ้นอยู่กับการค้นหาความประหยัดที่เริ่มต้นจากมูลค่าที่เหมาะสมและจะหยุดเมื่อประมาณการทั่วไปลดลง

ผลลัพธ์ (ไทย) 3:

เนื่องจากความก้าวหน้าในเหมืองข้อมูลเขต , มันเป็นไปได้ที่จะสกัดความรู้
จากข้อมูลดิบ จริงๆ เทคนิคที่มีประสิทธิภาพเช่นโครงข่ายประสาทเทียม ( nns )
และเมื่อเร็ว ๆ นี้สนับสนุนเครื่องเวกเตอร์ ( แบบ ) จะเกิดขึ้นใหม่ ในขณะที่มีความยืดหยุ่นมากขึ้น ( เช่น
แบบไม่มีข้อ จำกัด อยู่ระหว่างกำหนด ) , ประสิทธิภาพขึ้นอยู่กับ
บนการตั้งค่าที่ถูกต้องของ hyperparameters ( พารามิเตอร์ของเคอร์เนลเช่น
SVM ) และการใช้ตัวแปรแบบ ในการศึกษานี้จึงได้เสนอวิธีการที่บูรณาการและมีประสิทธิภาพ computationally

พร้อมกันที่อยู่ทั้งปัญหา การวิเคราะห์ความไวใช้เพื่อสกัดความรู้จาก NN / SVM รุ่น
ได้รับในแง่ของผลกระทบต่อการตอบสนองเมื่อหนึ่งใส่ได้หลากหลาย เพื่อนำเสนอผลลักษณะตัวแปร
( RE-EXPORT ) เส้นโค้งและ
ความสําคัญของกระผม ( วัดจากความแปรปรวนของการตอบสนองการเปลี่ยนแปลง )
เลือกตัวแปรที่ชี้นำโดยการวิเคราะห์ความไวและการเลือกรูปแบบ
ตามตระหนี่ค้นหาที่เริ่มต้นจากมูลค่าที่เหมาะสมและหยุด
เมื่อการประมาณการลดลง