Multi-Layer Perceptron neural netwo

Multi-Layer Perceptron neural network and Support Vector Machine with linear and puk kernel
function were used for classifying Parkinson data set with an accuracy of 90% [1]. In Artificial neural network method,70% of data wasused for training,and 30% for testing .Using this approach, 93.2% accuracy was achieved. The dataset consist of twenty three features [2]. By using maximumrelevance-minimum-redundancy criteria, features are selected on the basis of mutual information measures between the features [3]. In some cases,twenty three attributes are reduced to sixteen and 83.3% accuracy is achieved [4]. Various features subsets can be prepared and the subset which gives maximum accuracy is selected [5]. Genetic algorithm is used for feature selection. In genetic algorithm solutions are represented by chromosomes until acceptable results are obtained. Crossover and mutation process is done to get new chromosomes. With genetic algorithm for feature selection and support vector machine for classification, 94.5% accuracy is achieved [6]. When genetic algorithm with KNN classification method is applied, 98.2% performance is obtained[8].

ผลลัพธ์ (ไทย) 1:

โครงข่ายประสาทหลายชั้นเพอร์เซปตรอน และสนับสนุน เครื่องเวกเตอร์ ด้วยเส้น และเคอร์เนล pukฟังก์ชันที่ใช้สำหรับการจัดประเภทชุดพาร์กินข้อมูลแม่นยำ 90% [1] ในวิธีโครงข่ายประสาทเทียม 70% wasused ข้อมูลการฝึกอบรม และ 30% สำหรับการทดสอบ ใช้วิธีการนี้ 93.2% ความสำเร็จ ชุดข้อมูลประกอบด้วยคุณลักษณะที่ยี่สิบสาม [2] โดยใช้เงื่อนไขซ้ำ maximumrelevance ต่ำ มีเลือกคุณลักษณะตามมาตรการข้อมูลร่วมกันระหว่างคุณสมบัติ [3] ในบางกรณี ยี่สิบสามคุณลักษณะจะลดลงถึง sixteen และ 83.3% ความถูกต้องจะทำได้ [4] สามารถเตรียมชุดย่อยของคุณลักษณะต่าง ๆ และเลือก [5] เป็นเซตย่อยที่ให้ความแม่นยำสูงสุด ใช้ขั้นตอนวิธีพันธุกรรมสำหรับการเลือกคุณลักษณะ ในขั้นตอนวิธีพันธุกรรม แก้ไขจะแสดง โดย chromosomes จนกว่าจะได้รับผลลัพธ์ที่ยอมรับ การไขว้และการกลายพันธุ์จะทำได้ใหม่ chromosomes ด้วยขั้นตอนวิธีพันธุกรรมสำหรับการเลือกคุณลักษณะและสนับสนุนเครื่องแบบเวกเตอร์สำหรับการจัดประเภท 94.5% ความถูกต้องจะทำได้ [6] เมื่อมีใช้อัลกอริทึมทางพันธุกรรม ด้วยวิธีการจัดประเภท KNN, 98.2% ประสิทธิภาพได้รับ [8]

ผลลัพธ์ (ไทย) 2:

Multi-Layer ที่ Perceptron
เครือข่ายประสาทและการสนับสนุนเครื่องเวกเตอร์กับเคอร์เนลปึกเชิงเส้นและฟังก์ชั่นที่ใช้ในการจำแนกข้อมูลพาร์กินสันตั้งที่มีความแม่นยำ90% จาก [1] ในวิธีเครือข่ายประสาทเทียม 70% ของข้อมูล wasused สำหรับการฝึกอบรมและ 30% สำหรับการทดสอบ .Using วิธีนี้ถูกต้อง 93.2% ก็ประสบความสำเร็จ ชุดประกอบด้วยยี่สิบสามคุณสมบัติ [2] โดยใช้เกณฑ์ขั้นต่ำ maximumrelevance ซ้ำซ้อนคุณสมบัติจะถูกเลือกบนพื้นฐานของข้อมูลมาตรการร่วมกันระหว่างคุณลักษณะ [3] ในบางกรณียี่สิบสามคุณลักษณะจะลดลงไปสิบหกและความถูกต้อง 83.3% จะประสบความสำเร็จ [4] คุณสมบัติต่างๆย่อยสามารถจัดทำและเซตที่ให้ความถูกต้องสูงสุดจะถูกเลือก [5] ขั้นตอนวิธีทางพันธุกรรมถูกนำมาใช้สำหรับการเลือกคุณลักษณะ ในการแก้ปัญหาขั้นตอนวิธีพันธุกรรมโดยมีตัวแทนโครโมโซมจนได้รับการยอมรับผลที่จะได้รับ ครอสโอเวอร์และขั้นตอนการกลายพันธุ์จะทำที่จะได้รับโครโมโซมใหม่ ด้วยขั้นตอนวิธีพันธุกรรมสำหรับการเลือกคุณลักษณะและการสนับสนุนเครื่องเวกเตอร์สำหรับการจำแนกความถูกต้อง 94.5% จะประสบความสำเร็จ [6] เมื่อขั้นตอนวิธีพันธุกรรมด้วยวิธีการจัดหมวดหมู่ KNN ถูกนำไปใช้ประสิทธิภาพ 98.2% ได้ [8]

ผลลัพธ์ (ไทย) 3:

เพอร์เซปตรอนหลายชั้นเครือข่ายประสาทและสนับสนุนเครื่องเวกเตอร์เชิงเส้นกับผักและเมล็ดใช้เป็นข้อมูล
ฟังก์ชัน พาร์คินสัน ชุดข้อมูลที่มีความถูกต้อง 90% [ 1 ] ในการใช้โครงข่ายประสาทเทียมแบบ 70% ของข้อมูลและการฝึกอบรม และ 30% สำหรับการทดสอบ การใช้วิธีการนี้ ความแม่นยำต่ำ % พบว่า ข้อมูลประกอบด้วยยี่สิบสามคุณสมบัติ [ 2 ]โดยใช้ maximumrelevance ขั้นต่ำ ) เกณฑ์ คุณสมบัติจะถูกเลือกบนพื้นฐานของข้อมูลมาตรการร่วมกันระหว่างคุณสมบัติ [ 3 ] ในบางกรณี ยี่สิบ สามคุณลักษณะจะลดลงเป็น 16 และความถูกต้อง 83.3 % ได้ [ 4 ] จากคุณสมบัติต่าง ๆ สามารถเตรียมและย่อยซึ่งให้ความถูกต้องสูงสุดจะถูกเลือก [ 5 ] ขั้นตอนวิธีทางพันธุกรรมถูกใช้สำหรับการเลือกคุณลักษณะในขั้นตอนวิธีเชิงพันธุกรรม โซลูชั่น จะแสดงโดยโครโมโซม จนกว่าผลที่ยอมรับได้จะได้รับ ครอสโอเวอร์และการกลายพันธุ์เสร็จสิ้นกระบวนการรับครูใหม่ ด้วยขั้นตอนวิธีเชิงพันธุกรรมสำหรับการเลือกคุณลักษณะและสนับสนุนเวกเตอร์เครื่องจักรประเภท ความถูกต้อง ร้อยละ 94.5 ได้ [ 6 ] เมื่อเจเนติกอัลกอริทึมกับการจำแนก knn ใช้งานแบบเปอร์เซ็นต์ [ 8 ]