In solving classification problems,

In solving classification problems, adaptive GP partly proved its advantages. AI-Madi and Ludwig [20] applied adaptive GP to classification tasks and experimented on the several datasets such as Wisconsin Diagnostic Breast Cancer (WDBC), Diabetes, Heart and Hepatitis, etc., to show the results that parameter-adapted GP performed the classification task faster than standard GP while preserving the classification accuracy. Moreover, to cope with more difficult classification tasks in dynamic environments, adaptive GP also has had some potential perspectives. M. Riekert [21] proposed a new system called Adaptive Genetic Programming (ADP) incorporating adaptive control parameters, variable elitism and culling and showed that ADP is slighter better than standard GP, due to faster recovery from changes in the environment.

Kết quả (Việt) 1:

Trong việc giải quyết vấn đề phân loại, bác sĩ gia đình thích nghi một phần chứng minh lợi thế của nó. AI-Madi và Ludwig [20] áp dụng bác sĩ gia đình thích nghi để phân loại các tác vụ và thử nghiệm trên một số datasets chẳng hạn như ung thư vú chẩn đoán Wisconsin (WDBC), bệnh tiểu đường, tim và viêm gan siêu vi, vv, để hiển thị các kết quả đó thích nghi tham số GP thực hiện nhiệm vụ phân loại nhanh hơn so với tiêu chuẩn GP trong khi bảo quản sự phân loại chính xác. Hơn nữa, để đối phó với nhiệm vụ phân loại nhiều khó khăn trong môi trường năng động, thích nghi GP cũng đã có một số quan điểm tiềm năng. M. Riekert [21] đề xuất một hệ thống mới gọi là thích ứng di truyền lập trình (ADP) hợp điều khiển thích nghi tham số, phát triển các biến và tiêu huỷ và cho thấy rằng ADP là khảnh tốt hơn so với tiêu chuẩn GP, do phục hồi nhanh hơn từ các thay đổi trong môi trường.

Kết quả (Việt) 2:

Trong việc giải quyết vấn đề phân loại, thích nghi GP một phần chứng minh lợi thế của mình. AI-Madi và Ludwig [20] áp dụng GP thích ứng với nhiệm vụ phân loại và thử nghiệm trên nhiều bộ dữ liệu như Wisconsin chẩn đoán ung thư vú (WDBC), tiểu đường, tim và viêm gan, vv, để hiển thị các kết quả tham số thích nghi GP thực hiện các phân loại công việc nhanh hơn GP tiêu chuẩn trong khi vẫn giữ độ chính xác phân loại. Hơn nữa, để đối phó với nhiệm vụ phân loại khó khăn hơn trong môi trường năng động, thích ứng GP cũng đã có một số quan điểm tiềm năng. M. Riekert [21] đề xuất một hệ thống mới được gọi là chương trình di truyền thích nghi (ADP) kết hợp với các thông số điều khiển thích nghi, chủ nghĩa tinh hoa biến và tiêu hủy và cho thấy ADP là nhẹ hơn tốt hơn so với GP tiêu chuẩn, do phục hồi nhanh hơn từ những thay đổi trong môi trường.