Introducing the problemThis databas

Introducing the problem

This database contains 5 numeric-valued attributes. Only a subset of 3 are used during testing (the latter 3)l.
Some instances could be placed in either category 0 or 1. I've followed the authors' suggestion, placing them in each category with equal probability. I've replaced the actual values of the attributes (i.e., hobby has values chess, sports and stamps) with numeric values. I think this is how the authors' did this when testing the categorization models described in the paper. I find this unfair. While the subjects were able to bring background knowledge to bear on the attribute values and their relationships, the algorithms were provided with no such knowledge. I'm uncertain whether the 2 distractor attributes (name and hobby) are presented to the authors' algorithms during testing. However, it is clear that only the age, educational status, and marital status attributes are given during the human subjects' transfer tests.

Attribute Information:

-- 1. name: distinct for each instance and represented numerically
-- 2. hobby: nominal values ranging between 1 and 3
-- 3. age: nominal values ranging between 1 and 4
-- 4. educational level: nominal values ranging between 1 and 4
-- 5. marital status: nominal values ranging between 1 and 4
-- 6. class: nominal value between 1 and 3

For this experiment to work we had to transform our data set in binary format (0, 1).We replaced each attribute value with suitable binary combination.

In this example we will be using 80% of data for training the network and 20% of data for testing it.

Before you start reading our experiment we suggest to first get more familiar with Neuroph Studio and Multi Layer Perceptron.You can do that by clicking on the links below:

Neuroph Studio Geting started

Multi Layer Perceptron

ผลลัพธ์ (ไทย) 2:

แนะนำปัญหาฐานข้อมูลนี้มี 5 คุณสมบัติที่เป็นตัวเลขมูลค่า เพียงส่วนย่อยของ 3 ถูกนำมาใช้ในระหว่างการทดสอบ (หลัง 3) ล. บางกรณีอาจจะอยู่ในประเภทใด 0 หรือ 1 ผมได้ทำตามข้อเสนอแนะของผู้เขียนวางไว้ในแต่ละหมวดหมู่มีโอกาสที่เท่าเทียมกัน ฉันได้ถูกแทนที่ด้วยค่าที่แท้จริงของคุณลักษณะ (เช่นงานอดิเรกที่มีค่าหมากรุก, กีฬาและแสตมป์) ที่มีค่าที่เป็นตัวเลข ผมคิดว่านี่เป็นวิธีการที่ผู้เขียน 'ทำอย่างนี้เมื่อการทดสอบรูปแบบการจัดหมวดหมู่ที่อธิบายไว้ในกระดาษ ผมพบว่าไม่เป็นธรรมนี้ ในขณะที่อาสาสมัครก็สามารถที่จะนำความรู้พื้นหลังจะทนอยู่กับค่าแอตทริบิวต์และความสัมพันธ์ของพวกเขาขั้นตอนวิธีการที่ถูกให้กับไม่มีความรู้ดังกล่าว ฉันไม่แน่ใจว่าคุณลักษณะรำคาญ 2 (ชื่อและงานอดิเรก) จะนำเสนอให้กับอัลกอริทึมของผู้เขียนในระหว่างการทดสอบ แต่ก็เป็นที่ชัดเจนว่ามีเพียงอายุสถานะการศึกษาและแอตทริบิวต์สถานภาพการสมรสจะได้รับในช่วงวิชามนุษย์ 'ทดสอบการถ่ายโอน. ข้อมูลแอตทริบิวต์: - 1. ชื่อ: ที่แตกต่างกันเช่นกันและเป็นตัวแทนตัวเลข- 2. งานอดิเรก: เล็กน้อย ค่าระหว่าง 1 และ 3 - 3. อายุ: ค่าเล็กน้อยระหว่าง 1 และ 4 - 4. ระดับการศึกษา: ค่าเล็กน้อยระหว่าง 1 และ 4 - 5. สถานภาพ: ค่าเล็กน้อยระหว่าง 1 และ 4 - 6 ระดับ:. ค่าเล็กน้อยระหว่างวันที่ 1 และ 3 สำหรับการทดสอบนี้ในการทำงานเราต้องแปลงข้อมูลของเราตั้งอยู่ในรูปแบบไบนารี (0, 1) เราแทนที่แต่ละค่าแอตทริบิวต์มีการรวมกันไบนารีที่เหมาะสม. ในตัวอย่างนี้เราจะใช้ 80% ของ . ข้อมูลสำหรับการฝึกอบรมเครือข่ายและ 20% ของข้อมูลสำหรับการทดสอบก่อนที่คุณจะเริ่มต้นการอ่านการทดลองของเราที่เราขอแนะนำให้ครั้งแรกที่ได้รับเพิ่มเติมคุ้นเคยกับ Neuroph Studio และเลเยอร์หลาย Perceptron.You สามารถทำเช่นนั้นได้โดยคลิกที่ลิงค์ด้านล่าง: Neuroph สตูดิโอ geting เริ่มต้นหลายชั้น Perceptron

ผลลัพธ์ (ไทย) 3:

แนะนำปัญหาฐานข้อมูลนี้ประกอบด้วย 5 ตัวเลขค่าแอตทริบิวต์ เฉพาะชุดย่อยของ 3 ใช้ในการทดสอบ ( หลังที่ 3 ) .บางกรณีอาจอยู่ในประเภท 0 หรือ 1 ผมได้ทำตามที่ผู้เขียนแนะนำการวางพวกเขาในแต่ละประเภท มีความน่าจะเป็นเท่ากัน ผมเปลี่ยนค่าของแอตทริบิวต์ ( i.e . , Hobby ค่าหมากรุก , กีฬาและแสตมป์ ) ที่มีค่าเป็นตัวเลข ฉันคิดว่านี้เป็นวิธีที่ผู้เขียนได้นี้เมื่อทดสอบแบบจำลองการจัดหมวดหมู่ไว้ในกระดาษ ฉันพบนี้ไม่เป็นธรรม ในขณะที่ครูสามารถนำความรู้พื้นฐานที่จะแบกบนค่าแอตทริบิวต์ และความสัมพันธ์ของอัลกอริทึมได้รับการไม่มีความรู้ ผมไม่แน่ใจว่า 2 แบบแอตทริบิวต์ชื่อและงานอดิเรก ) ถูกนำเสนอให้ผู้เขียนขั้นตอนวิธีในระหว่างการทดสอบ อย่างไรก็ตาม เป็นที่ชัดเจนว่า อายุ ระดับการศึกษา สถานภาพสมรส และลักษณะวิชาที่ได้รับในระหว่างมนุษย์รับการทดสอบข้อมูลคุณสมบัติ :-- 1 . ชื่อ : ที่แตกต่างกันสำหรับแต่ละตัวอย่างและแสดงสามารถ-- 2 . งานอดิเรก : ค่าปกติในช่วงระหว่าง 1 และ 3-- 3 . อายุ : ค่าปกติในช่วงระหว่าง 1 และ 4-- 4 . ระดับการศึกษา : ค่าปกติในช่วงระหว่าง 1 และ 4-- 5 . สถานภาพ : ค่าปกติในช่วงระหว่าง 1 และ 4. . 6 . ชั้น : ค่าเล็กน้อยระหว่าง 1 และ 3สำหรับการทดลองงานนี้เราต้องแปลงข้อมูลในรูปแบบไบนารี ( 0 , 1 ) เราแทนที่แต่ละค่าแอตทริบิวต์การไบนารีที่เหมาะสมในตัวอย่างนี้เราจะใช้ 80% ของข้อมูลสำหรับการฝึกอบรมเครือข่ายและ 20% ของข้อมูลเพื่อทดสอบมันก่อนที่คุณจะเริ่มต้นการอ่านของเราเราขอแนะนำให้ทดลองก่อนได้คุ้นเคยกับสตูดิโอและ neuroph ธรรมดามัลติเลเยอร์เพิ่มเติม คุณสามารถทำมันได้โดยการคลิกที่ลิงค์ด้านล่าง :neuroph สตูดิโอได้เริ่มเพอร์เซปตรอนหลายชั้น