minimum of error with the training

minimum of error with the training data for 17/18 neurons in
the intermediate layer (Fig. 3a). For the four classes, the
maximum performance was reached (100.0%) with 10
neurons. The confusion Tables 1 and 2 show the numerical
quantity and percentage of success obtained for the
conditions: without criterion of reclassification and with
criterion of reclassification for the five classes, respectively.
It was noted that only one observation of nonlinear inclusion
(NLSI) was not classified initially, being later confused with
the lack of penetration class (LP). For the four classes, the
performance of 100.0% obtained was managed without the
reclassification criterion and so considered unnecessary to
be presented.
The classic way to check the generalization of training
is to use a set of tests [20]. However, in our case the
quantity of observations was too small to divide into a set
for training and testing and maintaining statistical signifi-
cance. And so, once more the tools of statistical
interference were resorted to.
In the area where errors are most likely to occur, i.e.
when the input module of the neuron is very small, it can be
justified that the best choice for the PðUÞ distribution is a
Gaussian. In this case, it was confirmed by the evaluation of
the outputs obtained from the classifier using the test of Chi-
square and Komolgorov – Smirnov [24], confirming that it
followed a normal distribution. Then having been approved
by the normal distribution tests, it was possible to calculate

ผลลัพธ์ (ไทย) 1:

minimum of error with the training data for 17/18 neurons inthe intermediate layer (Fig. 3a). For the four classes, themaximum performance was reached (100.0%) with 10neurons. The confusion Tables 1 and 2 show the numericalquantity and percentage of success obtained for theconditions: without criterion of reclassification and withcriterion of reclassification for the five classes, respectively.It was noted that only one observation of nonlinear inclusion(NLSI) was not classified initially, being later confused withthe lack of penetration class (LP). For the four classes, theperformance of 100.0% obtained was managed without thereclassification criterion and so considered unnecessary tobe presented. The classic way to check the generalization of trainingis to use a set of tests [20]. However, in our case thequantity of observations was too small to divide into a setfor training and testing and maintaining statistical signifi-cance. And so, once more the tools of statisticalinterference were resorted to. In the area where errors are most likely to occur, i.e.when the input module of the neuron is very small, it can bejustified that the best choice for the PðUÞ distribution is aGaussian. In this case, it was confirmed by the evaluation ofthe outputs obtained from the classifier using the test of Chi-square and Komolgorov – Smirnov [24], confirming that itfollowed a normal distribution. Then having been approvedโดยการทดสอบการแจกแจงปกติ มันเป็นไปได้ในการคำนวณ

ผลลัพธ์ (ไทย) 2:

ขั้นต่ำของความผิดพลาดที่มีข้อมูลการฝึกอบรมสำหรับ 17/18 เซลล์ประสาทใน
ชั้นกลาง (รูป. 3a) สำหรับผลประกอบการเรียน
มีประสิทธิภาพสูงสุดก็มาถึง (100.0%) กับ 10
เซลล์ประสาท ความสับสนตารางที่ 1 และ 2 แสดงตัวเลข
ปริมาณและร้อยละของความสำเร็จที่ได้รับสำหรับ
เงื่อนไขโดยไม่ต้องเกณฑ์ของไอออนบวก Fi reclassi และ
. เกณฑ์ของไอออนบวก Fi reclassi สำหรับ Fi และเรียนตามลำดับ
มันถูกตั้งข้อสังเกตว่ามีเพียงหนึ่งสังเกตของการรวมเชิงเส้น
(NLSI) ไม่ได้ คลาสสิกเอ็ดสายแรกถูกสับสนต่อมากับ
การขาดของการเรียนการเจาะ (LP) สำหรับสี่ชั้น,
ประสิทธิภาพการทำงานของ 100.0% ได้โดยไม่ต้องได้รับการจัดการ
ไฟ reclassi เกณฑ์ไอออนบวกและการพิจารณาดังนั้นไม่จำเป็นที่จะ
ต้องนำเสนอ.
วิธีที่คลาสสิกที่จะตรวจสอบลักษณะทั่วไปของการฝึกอบรม
คือการใช้ชุดทดสอบ [20] อย่างไรก็ตามในกรณีของเรา
ปริมาณของการสังเกตมีขนาดเล็กเกินไปที่จะแบ่งออกเป็นชุด
สำหรับการฝึกอบรมและการทดสอบและการบำรุงรักษา Fi- นัยสำคัญทางสถิติ
นัย และอื่น ๆ อีกครั้งเครื่องมือสถิติ
การรบกวนถูก resorted ไป.
ในพื้นที่ที่มีข้อผิดพลาดส่วนใหญ่มีแนวโน้มที่จะเกิดขึ้นคือ
เมื่อโมดูลการป้อนข้อมูลของเซลล์ประสาทที่มีขนาดเล็กมากก็สามารถ
Fi Justi ed ว่าเป็นทางเลือกที่ดีที่สุดสำหรับการกระจายPðUÞเป็น
เสียน ในกรณีนี้ก็คือไฟแย้ง rmed โดยการประเมินผลของ
เอาท์พุทที่ได้รับจากเอ้อจัดประเภทโดยใช้การทดสอบของ Chi-
ตารางและ Komolgorov - นอฟ [24], FI rming แย้งว่ามัน
ตามการแจกแจงแบบปกติ จากนั้นได้รับการอนุมัติ
โดยการทดสอบการแจกแจงแบบปกติมันเป็นไปได้ในการคำนวณ

ผลลัพธ์ (ไทย) 3:

ขั้นต่ำของข้อผิดพลาดกับการฝึกอบรมข้อมูล 17 / 18 เซลล์ประสาท
ชั้นกลาง ( รูปที่ 3 ) สำหรับสี่ชั้น ,
ประสิทธิภาพสูงสุดได้ถึง ( 100.0% ) กับ 10
เซลล์ประสาท ความสับสนที่ตารางที่ 1 และ 2 แสดงปริมาณและตัวเลข
เปอร์เซ็นต์ของความสำเร็จได้รับสำหรับ
เงื่อนไขเกณฑ์จึงไม่มี reclassi ไอออนบวก และเกณฑ์การให้ reclassi
จึงจึงได้เรียน2 .
มันเป็นข้อสังเกตว่าเพียงหนึ่งแบบไม่เชิงเส้นการรวม
( nlsi ) ไม่ได้ classi จึงเอ็ดเริ่มแรกถูกทีหลัง งง
ขาดทะลุชั้น ( LP ) สำหรับสี่ชั้น ,
สมรรถนะ 100.0% ได้รับการจัดการโดย
reclassi จึงเกณฑ์และการพิจารณานำเสนอ ไม่จำเป็น

.
วิธีคลาสสิกเพื่อตรวจสอบการฝึก