Statistical hypothesis testing has

Statistical hypothesis testing has been reported as both widely used and rea-sonably effective in model selection efforts, resulting in networks that closely approximate simulated models (Anders and Korn, 1999). In cross-validation and resampling methods, an estimate of the generalization error can be used as the model selection criterion. In this process, the average of the predictive errors is used to approximate the generalization error. Cross-validation is par-ticularly useful when one has to design an extensive neural network with the goal of good generalization. More established information criteria make explicit use of the number of network weights (or degrees of freedom) in a model (Curry and Morgan, 2006). Some form of measured fit with a penalty term is employed to find the most favorable trade-off between an unbiased approximation of the underly-ing model and the loss of accuracy caused by parameter estimation (Anders and Korn, 1999).

Kết quả (Việt) 1:

Giả thuyết thống kê thử nghiệm đã được báo cáo như là cả hai sử dụng rộng rãi và rea-sonably hiệu quả trong những nỗ lực lựa chọn mô hình, kết quả là các mạng chặt chẽ khoảng mô phỏng mô hình (Anders và Korn, 1999). Cross-xác nhận và phương phương pháp, ước tính lỗi tổng quát có thể được sử dụng như là tiêu chí lựa chọn mô hình. Trong quá trình này, mức trung bình của các lỗi tiên đoán được sử dụng để ước tính lỗi tổng quát. Cross-xác nhận là par ticularly hữu ích khi người ta phải thiết kế một mạng lưới thần kinh với mục tiêu tổng quát tốt. Thêm thiết lập tiêu chuẩn thông tin sử dụng rõ ràng về số lượng trọng lượng mạng (hoặc bậc tự do) trong một mô hình (cà ri và Morgan, 2006). Một số hình thức đo phù hợp với một hình phạt thuật ngữ được sử dụng để tìm kiếm thuận lợi nhất sự đánh đổi giữa một xấp xỉ không thiên vị của mô hình underly-ing và sự mất mát của độ chính xác, do ước lượng tham số (Anders và Korn, 1999).

Kết quả (Việt) 2:

thử nghiệm giả thuyết thống kê đã được báo cáo là cả hai sử dụng rộng rãi và rea-sonably hiệu quả trong nỗ lực lựa chọn mô hình, kết quả trong các mạng gần đúng chặt chẽ mô hình mô phỏng (Anders và Korn, 1999). Trong phương pháp cross-validation và lấy mẫu lại, ước tính lỗi tổng quát có thể được sử dụng như là tiêu chí lựa chọn mô hình. Trong quá trình này, trung bình các lỗi tiên đoán được sử dụng để ước tính sai số tổng quát. Cross-validation là mệnh là đặc hữu ích khi người ta phải thiết kế một mạng lưới thần kinh rộng với mục tiêu tổng quát tốt. tiêu chí thông tin nhiều hơn thành lập sử dụng rõ ràng về số lượng trọng lượng mạng (hoặc bậc tự do) trong một mô hình (Curry và Morgan, 2006). Một số hình thức đo phù hợp với một hình phạt được áp dụng để tìm thương mại-off thuận lợi nhất giữa một xấp xỉ không thiên vị của các mô hình underly-ing và mất độ chính xác gây ra bởi ước lượng tham số (Anders và Korn, 1999).