This method involves dividing the o

This method involves dividing the original pattern set into two subsets of patterns (values of the output variable Y above zero or positive (0, 1] and values below zero or negative [−1, 0)) and studying if the model (the weights) that the network implements, it is different or has changed for bothsubsets obtained. If the weights for the input variables have changed, for the two output intervals, then it will be necessary to define two functions (two neural networks one for each subset) for each one of the two output ranges obtained, for the variable Y, the process continues iteratively for each subset, each one divide again into two new subsets, until no changes occur in the weights of input variables over the output variable. For each one classes obtained, one neural network is trained and the value of the weights and error threshold are observed. • Study of the highest absolute weights for the variables in each training neural
network, and detect the most important variables [16]

Kết quả (Việt) 1:

Phương pháp này bao gồm việc phân chia các mô hình ban đầu đặt vào hai con của mô hình (giá trị của biến đầu ra Y ở trên không có hoặc tích cực (0, 1] và giá trị dưới đây bằng không hoặc tiêu cực [−1, 0)) và học tập nếu mô hình (trọng lượng) mạng thực hiện, nó là khác nhau hoặc đã thay đổi cho bothsubsets thu được. Nếu trọng lượng cho các yếu tố đầu vào có thay đổi, cho hai đầu ra khoảng thời gian, sau đó nó sẽ được cần thiết để xác định hai chức năng (hai mạng nơ-ron một cho mỗi tập con) cho mỗi một trong dãy núi hai đầu ra được, cho biến Y, quá trình tiếp tục lặp đi lặp lại cho mỗi tập con, mỗi phân chia một lần nữa thành hai tập con mới, cho đến khi không có thay đổi xảy ra trong các trọng lượng của đầu vào biến trên các biến đầu ra. Cho mỗi một trong các lớp học được, một mạng nơ-ron được đào tạo và giá trị của trọng lượng và lỗi ngưỡng được áp dụng. • Nghiên cứu về trọng lượng tuyệt đối cao nhất cho các biến trong mỗi đào tạo thần kinhmạng, và phát hiện các biến quan trọng nhất [16]

Kết quả (Việt) 2:

Phương pháp này liên quan đến việc phân chia các mô hình ban đầu thiết lập thành hai tập con của mô hình (các giá trị của các biến đầu ra Y ở trên không hay tích cực (0, 1] và các giá trị dưới số không hoặc âm [-1, 0)) và học tập nếu các mô hình (các trọng ) mà mạng thực hiện, đó là khác nhau hoặc đã thay đổi cho bothsubsets thu được. Nếu trọng lượng cho các biến đầu vào đã thay đổi, trong hai khoảng thời gian đầu ra, sau đó nó sẽ là cần thiết để xác định hai chức năng (hai mạng neural một cho mỗi tập hợp con) cho mỗi một trong hai dãy sản lượng thu được, cho biến Y, quá trình tiếp tục lặp đi lặp lại cho mỗi tập con, mỗi một lần nữa chia thành hai tập con mới, cho đến khi không thay đổi xảy ra trong các trọng số của các biến đầu vào qua các biến đầu ra. Đối với mỗi một lớp học thu được, một mạng nơ ron được đào tạo và giá trị của các trọng số và ngưỡng lỗi được quan sát thấy. • Nghiên cứu của các trọng tuyệt đối cao nhất cho các biến trong từng đào tạo thần kinh
mạng, và phát hiện các biến quan trọng nhất [16]