needed to be able to reliably deter

needed to be able to reliably determine the weights of the network also increases (often quite rapidly), and over-fitting becomes more of an issue (using regularisation is also a good idea). The benefit of dimensionality reduction is that it reduces the size of the network, and hence the amount of data needed to train it. The disadvantage of using PCA is that the discriminative information that distinguishes one class from another might be in the low variance components, so using PCA can make performance worse.

Kết quả (Việt) 1:

cần thiết để có thể đáng tin cậy xác định trọng lượng của mạng cũng tăng lên (thường là khá nhanh chóng), và phù hợp hơn sẽ trở thành một vấn đề (sử dụng regularisation cũng là một ý tưởng tốt). Lợi ích của chiều giảm là nó làm giảm kích thước của các mạng, và do đó lượng dữ liệu cần thiết để đào tạo nó. Những bất lợi của việc sử dụng PCA là discriminative thông tin phân biệt một lớp khác có thể là trong thành phần thấp phương sai, do đó, bằng cách sử dụng PCA có thể làm cho hiệu suất tồi tệ hơn.

Kết quả (Việt) 2:

cần thiết để có thể xác định chắc chắn trọng lượng của mạng cũng tăng (thường khá nhanh), và hơn khít càng trở nên một vấn đề (sử dụng quy tắc cũng là một ý tưởng tốt). Lợi ích của việc giảm chiều là nó làm giảm kích thước của mạng, và do đó số lượng dữ liệu cần thiết để đào tạo nó. Những bất lợi của việc sử dụng PCA là thông tin được phân biệt đối xử phân biệt một lớp từ khác có thể là trong các thành phần phương sai thấp, vì vậy sử dụng PCA có thể làm cho hiệu suất tồi tệ hơn.