Using a sensitivity analysis algori

Using a sensitivity analysis algorithm, the most important variables, which have a
great influence in each network’s output, have been tested in order to check that they
are exactly the antecedents of the rules extracted by the previous method described.
When a neural network is training, it is possible to know the effect that each input
variable is having on network output. This provides feedback about which input
variables are the most significant. From there, you may decide to prune the input
space by removing the insignificant input variables; this will reduce the size of the
network, which in turn reduces the complexity and the training times. Sensitivity
analysis is a method for extracting the cause and effect relationship between the
inputs and outputs of the network. The network learning is disabled during this
operation such that the network weights are not affected. The activation component
for the sensitivity analysis generates the input data by temporarily increasing the
input by a small value (dither). Once you have trained the network, you can perform
the sensitivity operation on specifying the dither. We will display a column of values,
each corresponding to the percentage effect that a particular input has on the output
vector as a whole (the sum of all output variables is 100 %).

Kết quả (Việt) 1:

Bằng cách sử dụng một thuật toán phân tích độ nhạy cảm, các biến quan trọng nhất, trong đó có mộtCác ảnh hưởng lớn trong mỗi mạng của đầu ra, đã được thử nghiệm để kiểm tra xem họlà chính xác các dòng của các quy tắc tách ra bằng phương pháp trước đó mô tả.Khi một mạng nơ-ron là đào tạo, có thể cho biết tác dụng mỗi đầu vàobiến là có trên mạng ra. Điều này cung cấp thông tin phản hồi về đầu vào màbiến là quan trọng nhất. Từ đó, bạn có thể quyết định để prune đầu vàokhoảng trống bằng cách loại bỏ các biến đầu vào không đáng kể; Điều này sẽ làm giảm kích thước của cácmạng lưới, mà lần lượt làm giảm sự phức tạp và thời gian đào tạo. Độ nhạyphân tích là một phương pháp để giải nén nguyên nhân và có hiệu lực mối quan hệ giữa cácđầu vào và đầu ra của mạng. Học mạng bị vô hiệu hóa trong điều nàyhoạt động như vậy mà các trọng lượng mạng không ảnh hưởng. Các thành phần kích hoạtcho sự nhạy cảm phân tích tạo ra dữ liệu đầu vào bằng cách tạm thời tăng cácnhập vào một giá trị nhỏ (dither). Một khi bạn đã đào tạo mạng, bạn có thể thực hiệnCác hoạt động nhạy cảm trên quy định cụ thể dither. Chúng tôi sẽ hiển thị một cột giá trị,mỗi tương ứng với tỷ lệ phần trăm hiệu quả mà một đầu vào cụ thể có trên đầu ravector như một toàn thể (tổng của tất cả các biến đầu ra là 100%).

Kết quả (Việt) 2:

Sử dụng một thuật toán phân tích độ nhạy, các biến quan trọng nhất, trong đó có một
ảnh hưởng rất lớn trong sản lượng của mỗi mạng, đã được thử nghiệm để kiểm tra xem họ
là chính xác các tiền đề của các quy tắc chiết xuất bằng phương pháp trước đó đã mô tả.
Khi một mạng lưới thần kinh là đào tạo , nó có thể biết tác dụng mà mỗi đầu vào
biến là có đầu ra trên mạng. Điều này cung cấp thông tin phản hồi về mà đầu vào
biến là quan trọng nhất. Từ đó, bạn có thể quyết định để tỉa đầu vào
không gian bằng cách loại bỏ các biến đầu vào không đáng kể; điều này sẽ làm giảm kích thước của
mạng, do đó làm giảm sự phức tạp và thời gian đào tạo. Độ nhạy
phân tích là một phương pháp để chiết xuất nhân quả mối quan hệ giữa các
yếu tố đầu vào và đầu ra của mạng. Việc học tập mạng bị vô hiệu hóa trong quá trình này
hoạt động như vậy mà trọng lượng mạng không bị ảnh hưởng. Các thành phần hoạt hóa
cho việc phân tích độ nhạy cảm tạo ra các dữ liệu đầu vào bằng cách tạm thời gia tăng
đầu vào của một giá trị nhỏ (run). Một khi bạn đã được đào tạo mạng, bạn có thể thực hiện
các hoạt động nhạy cảm trên quy định cụ thể run lên. Chúng tôi sẽ hiển thị một cột của các giá trị,
mỗi tương ứng với tỷ lệ phần trăm hiệu ứng mà một đầu vào cụ thể có trên đầu ra
vector như một toàn thể (tổng của tất cả các biến đầu ra là 100%).