platform (e.g. Windows, Linux) and

platform (e.g. Windows, Linux) and high-level matrix programming language
for statistical and data analysis. In particular, we adopted the RMiner [5], a
library for the R tool that facilitates the use of DM techniques in classification
and regression tasks.
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 ∈ {2
3
, 2
1
, . . . , 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.
Regarding the variable selection, we set the estimation metric to the MAD
value (Eq. 1), as advised in [25]. To reduce the computational effort, we adopted
the simpler 2/3 and 1/3 holdout split as the internal validation method. The
sensitivity analysis parameter was set to L = 6, i.e. xa ∈ {−1.0, −0.6, . . . , 1.0}
for a standardized input. As a reasonable balance between the pressure towards
simpler models and the increase of computational search, the stopping criterion
was set to 2 iterations without any improvement or when only one input is
available

ผลลัพธ์ (ไทย) 1:

แพลตฟอร์ม (เช่น Windows, Linux) และเมทริกซ์ที่เขียนโปรแกรมภาษาระดับสูงในทางสถิติ และการวิเคราะห์ข้อมูล โดยเฉพาะอย่างยิ่ง เรานำ RMiner [5], การไลบรารีสำหรับมือ R ที่อำนวยความสะดวกในการใช้เทคนิค DM ในประเภทและงานถดถอยก่อนรุ่นเหมาะสม ข้อมูลถูกแรกมาตรฐานให้ค่าเฉลี่ยเป็นศูนย์และส่วนเบี่ยงเบนมาตรฐานหนึ่ง [13] RMiner ใช้อัลกอริทึม BFGS มีประสิทธิภาพการรถไฟ NNs (แพคเกจ nnet R), ขณะ SVM ที่เหมาะสมตามลำดับใช้เพิ่มประสิทธิภาพน้อยโดย LIBSVM (แพ kernlab)การจะตั้ง hyperparameters (H และγ) ใช้ในส่วนก่อนหน้า และช่วงการค้นหา H ∈ { 0, 1,..., 11 } [28] และΓ∈ { 23, 21, . . . , 2−15 } [25] ในขณะที่จำนวนของการค้นหาเป็น 12/10ฝึกวิธี parsimony (ขั้นตอนที่ 2 ของส่วน 2.4) จะลดตัวเลขนี้มากกระบวนการคัดเลือกตัวแปร เราตั้งค่าการวัดประเมิน MADค่า (Eq. 1), ตามคำแนะนำใน [25] เพื่อลดความพยายามคำนวณ เรานำ2 ง่ายกว่า/3 และ 1/3 holdout แบ่งเป็นวิธีการตรวจสอบภายใน ที่ตั้งค่าพารามิเตอร์การวิเคราะห์ความไวมี L = 6 เช่นซา∈ {−1.0, −0.6,..., 1.0 }สำหรับการป้อนข้อมูลที่เป็นมาตรฐาน เป็นสมดุลเหมาะสมระหว่างแรงดันต่อรูปแบบเรียบง่ายและเพิ่มค้นหาคำนวณ เงื่อนไขการหยุดถูกตั้งค่าให้ซ้ำ 2 โดยไม่มีการปรับปรุงใด ๆ หรือเมื่อป้อนข้อมูลเดียวเท่านั้นพร้อมใช้งาน

ผลลัพธ์ (ไทย) 2:

แพลตฟอร์ม (เช่น Windows, Linux)
และเมทริกซ์ระดับสูงการเขียนโปรแกรมภาษาสำหรับการวิเคราะห์ทางสถิติและข้อมูล โดยเฉพาะอย่างยิ่งที่เรานำ RMiner [5]
เป็นห้องสมุดสำหรับเครื่องมือR ที่อำนวยความสะดวกในการใช้เทคนิค DM
ในการจัดหมวดหมู่และงานถดถอย.
ก่อนการปรับรูปแบบข้อมูลที่เป็นมาตรฐานแรกที่จะเป็นศูนย์ค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐาน [13 ]
RMiner ใช้อัลกอริทึม BFGS
มีประสิทธิภาพในการฝึกอบรมNNs (nnet แพคเกจ R) ในขณะที่พอดี SVM
จะขึ้นอยู่กับลำดับการดำเนินการเพิ่มประสิทธิภาพน้อยที่สุดให้โดยLIBSVM (แพคเกจ kernlab).
เดอะ hyperparameters (H และγ) จะได้รับการตั้งค่าการใช้ขั้นตอน
ที่อธิบายไว้ในส่วนก่อนหน้าและมีช่วงการค้นหาของH ∈ {0, 1, . . 11} [28] และγ∈ {2 3 2 1, . . 2 -15} [25] ในขณะที่จำนวนสูงสุดของการค้นหาคือ 12/10 ในการปฏิบัติวิธีประหยัด(ขั้นตอนที่ 2 ของมาตรา 2.4) จะลดจำนวนนี้อย่างมีนัยสำคัญ. เกี่ยวกับการเลือกตัวแปรที่เราตั้งประมาณการตัวชี้วัดที่จะบ้ามูลค่า (สม. 1) เป็น ให้คำแนะนำใน [25] เพื่อลดความพยายามในการคำนวณเรานำมาใช้ง่าย 2/3 และ 1/3 ยอมอ่อนข้อแยกเป็นวิธีการตรวจสอบภายใน การวิเคราะห์ความไวพารามิเตอร์ถูกกำหนดให้ L = 6 คือ XA ∈ {-1.0, -0.6, . . 1.0} สำหรับการป้อนข้อมูลที่เป็นมาตรฐาน ในฐานะที่เป็นความสมดุลที่เหมาะสมระหว่างความดันที่มีต่อรูปแบบที่เรียบง่ายและการเพิ่มขึ้นของการค้นหาการคำนวณเกณฑ์หยุดได้รับการกำหนดเป็น2 ซ้ำโดยไม่มีการปรับปรุงใด ๆ หรือเมื่อเพียงหนึ่งอินพุทที่มีอยู่

ผลลัพธ์ (ไทย) 3:

แพลตฟอร์ม ( เช่น Windows , Linux ) และเมทริกซ์โปรแกรม
ภาษาระดับสูงสำหรับการวิเคราะห์ทางสถิติและข้อมูล โดยเฉพาะ เราประกาศใช้ rminer [ 5 ] ,
ห้องสมุด R เครื่องมือที่อำนวยความสะดวกในการใช้เทคนิคการจำแนกและการถดถอยในงานเบาหวาน
.
ก่อนการปรับรุ่นข้อมูลแรกมาตรฐานศูนย์หมายถึง
และหนึ่งส่วนเบี่ยงเบนมาตรฐาน [ 13 ]rminer ใช้ขั้นตอนวิธีที่มีประสิทธิภาพ bfgs

ฝึก nns ( nnet r package ) ในขณะที่ SVM พอดีตามลําดับการเพิ่มประสิทธิภาพการดำเนินงานโดย libsvm
น้อยที่สุด ( ชุด kernlab )
) hyperparameters ( H และγ ) จะถูกตั้งค่าโดยใช้วิธีการอธิบาย
ในส่วนก่อนหน้าและค้นหาช่วง H ∈ { 0 , 1 , . . . . . . . . 11 } [ 28 ] และ
γ∈ { 2
3
2
1
, . . . . . . . . 2
,− 15 } [ 25 ] ในขณะที่จำนวนสูงสุดของการค้นหาคือ 12 / 10 ใน
ฝึกความตระหนี่วิธี ( ขั้นตอนที่ 2 ของมาตรา 5 ) จะลดหมายเลขนี้

อย่างมาก เกี่ยวกับการเลือกตัวแปรที่เราเซ็ตค่าเมตริกกับมูลค่าบ้า
( อีคิว 1 ) ตามที่แนะนำใน [ 25 ] ลดความพยายามในการคำนวณ เราใช้
ง่ายกว่า 2 / 3 และ 1 / 3 แยกไม่ยอมอ่อนข้อเป็นวิธีการตรวจสอบภายใน
การวิเคราะห์พารามิเตอร์ถูกตั้งค่า L = 6 , เช่น XA ∈ { − 1 , − 0.6 . . . . . . . . 1.0 }
เป็นสัญญาณมาตรฐาน เป็นสมดุลที่เหมาะสมระหว่างความดันต่อ
ง่ายกว่าแบบ และเพิ่มการค้นหาคอมพิวเตอร์ , เกณฑ์หยุด
ตั้งไว้ 2 รอบ โดยไม่มีการปรับปรุงใด ๆหรือเมื่อมีเพียงหนึ่งใส่
พร้อม