Figure 2 (a) shows the RMSE profile

Figure 2 (a) shows the RMSE profile of the LASSO model, a tuning parameter controlling the amount of shrinkage was
chosen s = 0.9. Figure 2 (b) presents RMSE changed when the RF model performs with various mtry values from 2 to 5 with 1000 trees in the forest, the optimal mtry = 2 was chosen using two repeats of 10-fold cross-validation. The SVR model was evaluated over cost values ranging from 2 to 11 using
RBF kernel function, figure 2 (c) shows the RMSE profile across the candidate values of the cost parameter, the optimal cost and kernel parameter were estimated to be ε = 0.1, C = 2 and σ = 0.242, respectively.

Kết quả (Việt) 1:

(A) hình 2 cho thấy hồ sơ Whattheschmidt Model LASSO, một thông số điều chỉnh kiểm soát số lượng co rútchọn s = 0,9. Hình 2 (b) trình bày Whattheschmidt đã thay đổi khi RF model thực hiện với giá trị mtry khác nhau từ 2 đến 5 với 1000 cây trong rừng, tối ưu mtry = 2 đã được lựa chọn bằng cách sử dụng hai lặp đi lặp lại của 10-fold cross-xác nhận. Các mô hình SVR được đánh giá theo chi phí giá trị khác nhau, từ 2 đến 11 bằng cách sử dụngChức năng hạt nhân RBF, con số 2 (c) cho thấy Whattheschmidt hồ sơ qua các ứng cử viên giá trị của tham số chi phí, chi phí tối ưu và các tham số hạt nhân được ước tính là ε = 0.1, C = 2 và σ = 0.242, tương ứng.

Kết quả (Việt) 2:

Hình 2 (a) cho thấy các hồ sơ RMSE của mô hình Lasso, một tham số điều chỉnh kiểm soát lượng hao hụt đã được
chọn s = 0,9. Hình 2 (b) trình bày RMSE thay đổi khi các mô hình RF thực hiện với các giá trị khác nhau mtry 2-5 với 1000 cây trong rừng, mtry tối ưu = 2 đã được lựa chọn sử dụng hai lặp đi lặp lại 10 lần qua xác nhận. Mô hình SVR được đánh giá qua các giá trị chi phí khác nhau, 2-11 sử dụng
hàm nhân RBF, con số 2 (c) cho thấy các hồ sơ RMSE trên các giá trị ứng cử viên của các tham số chi phí, chi phí và kernel tham số tối ưu đã được ước tính là ε = 0,1, C = 2 và σ = 0,242, tương ứng.