Often, data sets include model inpu

Often, data sets include model input variables that are large in scope, redundant, or noisy, which can ultimately hide meaningful variables necessary for efficient and optimized modeling. In such cases, methods based on principal component analysis (PCA) for preprocessing data used as input neural networks are advantageous. PCA reduces the number of observed variables to a smaller number of principal components (PCs). Each PC is calculated by taking a linear combination of an eigenvector of the correlation matrix with an original variable. As a result, the PCA method determines the significance of the eigenvalues of the correlation matrix associated with the first PCs of the data in order to select the subset of PCs for the sample that provides the optimum generalization value. In terms of neu-ral network modeling, the PCs with larger eigenvalues represent the more relative amount of variability of the training data set. The largest PC can be first applied as an input variable of a corresponding MLP, with subsequent PCs employed as MLP input data sets. The process continues until all the PCs that represent the majority of the variability of the training data set are included in the input data set of the corresponding MLP.

Kết quả (Việt) 1:

Thông thường, bộ dữ liệu bao gồm các mô hình biến đầu vào là lớn trong phạm vi, dư thừa, hoặc ồn ào, mà cuối cùng có thể ẩn các biến có ý nghĩa cần thiết cho mô hình hiệu quả và tối ưu hóa. Trong trường hợp này, phương pháp dựa trên chính phân tích thành phần (PCA) cho tiền xử lý dữ liệu được sử dụng như đầu vào mạng nơ-ron được thuận lợi. PCA làm giảm số lượng các biến quan sát một số lượng nhỏ hơn của các thành phần chính (máy tính). Mỗi máy tính được tính bằng cách lấy một tổ hợp tuyến tính của một eigenvector của ma trận tương quan với một biến nguyên bản. Kết quả là, các phương pháp PCA sẽ xác định tầm quan trọng của tuyến của ma trận tương quan liên kết với các máy tính đầu tiên của dữ liệu để chọn tập con của máy tính cho mẫu cung cấp giá trị tối ưu tổng quát. Về các mô hình mạng neu-ral, máy tính cá nhân với tuyến lớn hơn đại diện cho số lượng nhiều hơn tương đối biến thiên của dữ liệu đào tạo thiết lập. Các máy tính lớn nhất có thể được áp dụng lần đầu tiên như là một biến đầu vào của một MLP tương ứng với các máy tính sử dụng như là đầu vào MLP bộ dữ liệu. Quá trình này tiếp tục cho đến khi tất cả các máy tính đại diện cho phần lớn sự biến đổi của tập hợp dữ liệu huấn luyện được bao gồm trong các thiết lập dữ liệu đầu vào của MLP tương ứng.

Kết quả (Việt) 2:

Thông thường, các bộ dữ liệu bao gồm các biến đầu vào mô hình đó là lớn trong phạm vi, dư thừa, hoặc ồn ào, mà cuối cùng có thể ẩn các biến có ý nghĩa cần thiết cho mô hình hiệu quả và tối ưu hóa. Trong trường hợp này, phương pháp dựa trên phân tích thành phần chính (PCA) cho dữ liệu tiền xử lý sử dụng mạng lưới thần kinh đầu vào thuận lợi. PCA làm giảm số lượng các biến quan sát được vào một số lượng nhỏ các thành phần chủ yếu (máy tính). Mỗi máy tính được tính bằng cách lấy một sự kết hợp tuyến tính của một vector riêng của ma trận tương quan với biến ban đầu. Kết quả là, các phương pháp PCA xác định tầm quan trọng của các giá trị riêng của ma trận tương quan kết hợp với các máy tính cá nhân đầu tiên của dữ liệu để chọn các tập hợp con của các máy tính cho các mẫu cung cấp các giá trị tổng quát tối ưu. Trong điều kiện của mô hình mạng neu-ral, các máy tính với giá trị riêng lớn hơn đại diện cho số lượng tương đối nhiều biến thiên của tập dữ liệu huấn luyện. Các máy tính lớn nhất có thể được áp dụng đầu tiên như là một biến đầu vào của một MLP tương ứng, với máy tính sau đó sử dụng như các bộ dữ liệu đầu vào MLP. Quá trình này tiếp tục cho đến khi tất cả các máy tính cá nhân đại diện cho đa số các biến thiên của tập dữ liệu huấn luyện có trong dữ liệu đầu vào thiết lập của MLP tương ứng.