An alternative approach to static r

An alternative approach to static range selection, where ranges are arbitrarily chosen to correspond to class boundaries that all programs for the run must adhere to, is to allow each program to use a separate set of ranges for class boundaries that are dynamically determined for each individual program. Given a classification problem with many training examples and an individual from a GP population it is possible to use a subset of the training examples and record the values that are returned when attributes for specific classes are used as inputs. Based on these outputs, the effectively infinite range of the real numbers can then be segmented into regions. Those regions correspond to class boundaries based on areas whose values were returned by the program. This method was implemented in [11].

Kết quả (Việt) 1:

Một cách tiếp cận khác để lựa chọn phạm vi tĩnh, nơi phạm vi được tự ý lựa chọn tương ứng với lớp ranh giới mà tất cả các chương trình cho dài phải tuân theo, là để cho phép mỗi chương trình sử dụng một bộ riêng biệt của phạm vi cho lớp ranh giới được tự động xác định cho mỗi chương trình cá nhân. Cho một vấn đề phân loại với các ví dụ đào tạo nhiều và một cá nhân từ dân GP có thể sử dụng một tập hợp con của các ví dụ huấn luyện và ghi lại các giá trị trả lại khi các thuộc tính cho các lớp học cụ thể được sử dụng như đầu vào. Dựa trên những kết quả đầu ra, dãy số thực, hiệu quả vô hạn có thể sau đó được phân đoạn vào khu vực. Các vùng tương ứng với lớp ranh giới dựa trên khu vực có giá trị đã được trả về bởi chương trình. Phương pháp này được thực hiện trong [11].

Kết quả (Việt) 2:

Một phương pháp khác để lựa chọn phạm vi tĩnh, nơi phạm vi được tự ý lựa chọn để tương ứng với ranh giới lớp học mà tất cả các chương trình cho các hoạt động phải tuân thủ, là để cho phép mỗi chương trình để sử dụng một bộ riêng biệt của các phạm vi ranh giới cho lớp đó được tự động xác định cho từng cá nhân chương trình. Cho một vấn đề phân loại với nhiều ví dụ huấn luyện và một cá nhân từ một dân số GP nó có thể sử dụng một tập hợp con của các ví dụ huấn luyện và ghi lại các giá trị được trả về khi các thuộc tính cho các lớp học cụ thể được sử dụng như đầu vào. Dựa vào các kết quả, phạm vi hiệu quả vô hạn của số thực, sau đó có thể được tách ra thành các khu vực. Những khu vực này tương ứng với ranh giới lớp học dựa trên khu vực mà giá trị được trả về bởi các chương trình. Phương pháp này đã được thực hiện trong [11].