As mentioned in the previous sectio

As mentioned in the previous sections, it is very difficult to use surrogate functions for GP’s tree representation, as popular surrogate modeling techniques such as Neural Networks or Polynomial Regression can only learn functional relationships between realor integer-valued vectors and a fitness value. In order to use a Nearest Neighbor learner, however, we only have to specify a distance measure between solutions. We can therefore use this learning method to compare surrogates based not only on the phenotypic characterization proposed above in Section 4.2, but also based on a genotypic distance metric from the literature.

Kết quả (Việt) 1:

Như đã đề cập ở phần trước, nó là rất khó khăn để sử dụng chức năng đại diện cho các đại diện cây GP, kỹ thuật mô hình thay thế phổ biến như mạng nơ-ron hoặc hồi quy đa thức chỉ có thể tìm hiểu mối quan hệ chức năng giữa realor số nguyên có giá trị vectơ và một giá trị thể dục. Để sử dụng một người học hàng xóm gần nhất, Tuy nhiên, chúng tôi chỉ phải chỉ định một thước đo khoảng cách giữa giải pháp. Chúng tôi có thể do đó sử dụng phương pháp học tập để so sánh các thay thế không chỉ dựa trên các đặc tính kiểu hình được đề xuất ở trên trong phần phần 4.2, nhưng cũng dựa trên một thước đo khoảng cách genotypic từ các tài liệu.

Kết quả (Việt) 2:

Như đã đề cập trong phần trước, nó là rất khó khăn để sử dụng chức năng thay thế cho cây đại diện của GP, phổ biến kỹ thuật mô hình thay thế như Neural Networks hoặc đa thức hồi quy chỉ có thể học các mối quan hệ chức năng giữa vectơ số nguyên có giá trị realor và một giá trị thể dục. Để sử dụng một người học Neighbor gần, tuy nhiên, chúng ta chỉ cần chỉ định một biện pháp khoảng cách giữa các giải pháp. Do đó chúng tôi có thể sử dụng phương pháp học tập này để so sánh những người đại diện không chỉ dựa trên các đặc điểm kiểu hình đề xuất ở trên tại mục 4.2, nhưng cũng dựa trên một khoảng cách kiểu gen số liệu từ văn học.