5 ConclusionsThe methods explained

5 Conclusions
The methods explained in this paper solve in an efficient way, how to build predictive models in engineering, where the coefficients of the regression model can explain the effect of each independent variable on the dependent variable, and the independent variable with more influence over the variable to forecast, and so, obtaining a good forecast and as simple as possible, i.e. with the least number of forecast variables. The implemented method is effective when the most important forecasting variable could change depending on the range of forecast variable. The process implemented, first apply the bisection method which divides the data set into subsets. In each subset obtained a network is trained. In each trained network, weights obtained
are studied. The weights determine the most important input variables to be selected for the model. That is, the variables with more effect on the variable to predict in each subset of data. One model is defined for each subset of data. In a second phase, to predict with a new pattern (new data), it is necessary to know which network (model) should be used, of which were defined in the first phase. For this, the implemented method classifies a new pattern (data) using a radial basis neural network. The radial basis neural network classifies the input data, determines the network (model) to use. The proposed method and the output of the net have a lower mean squared error than other prediction methods. Two problems are solved in the developed
method: the suitable way to find the individual effects of forecasting variables over the variable to forecast, and the way to find a set of forecasting variables that should be included in a predictive model.

Kết quả (Việt) 1:

5 kết luậnPhương pháp giải thích trong bài báo này giải quyết một cách hiệu quả, làm thế nào để xây dựng các mô hình tiên đoán trong công nghệ, nơi các hệ số của mô hình hồi quy có thể giải thích ảnh hưởng của mỗi độc lập biến ngày phụ thuộc vào biến và biến độc lập với nhiều ảnh hưởng trong biến để dự báo, và như vậy, có được một tốt dự báo và đơn giản nhất có thể, tức là với ít nhất số dự báo biến. Các phương pháp thực hiện có hiệu quả khi dự báo biến quan trọng nhất có thể thay đổi tùy thuộc vào phạm vi của dự báo biến. Quá trình thực hiện, lần đầu tiên áp dụng phương pháp bisection phân chia bộ dữ liệu vào tập con. Trong mỗi tập con thu được một mạng lưới được đào tạo. Trong mỗi đào tạo mạng, trọng lượng đạt đượcđược nghiên cứu. Trọng lượng xác định các yếu tố đầu vào quan trọng nhất để bạn lựa chọn cho các mô hình. Có nghĩa là, các biến với hơn có hiệu lực trên các biến để dự đoán trong mỗi tập con của dữ liệu. Một mô hình được xác định cho mỗi tập hợp con của dữ liệu. Trong một giai đoạn thứ hai, để dự đoán với một mô hình mới (dữ liệu mới), nó là cần thiết để biết mà mạng (mô hình) nên được sử dụng, trong đó đã được định nghĩa trong giai đoạn đầu tiên. Đối với điều này, các phương pháp thực hiện phân loại một mô hình mới (dữ liệu) bằng cách sử dụng một mạng lưới cơ sở xuyên tâm thần kinh. Mạng nơ-ron xuyên tâm cơ sở phân loại đầu vào dữ liệu, xác định mạng (mô hình) để sử dụng. Các phương pháp được đề xuất và đầu ra của mạng có một lỗi bình phương có nghĩa là thấp hơn so với các phương pháp dự đoán. Hai vấn đề được giải quyết trong phát triểnphương pháp: cách thích hợp để tìm các hiệu ứng cá nhân của dự báo biến trên biến để dự báo, và cách để tìm một tập hợp các dự báo biến nên được bao gồm trong một mô hình tiên đoán.

Kết quả (Việt) 2:

5 Kết luận
Các phương pháp giải thích trong bài viết này giải quyết một cách hiệu quả, làm thế nào để xây dựng mô hình dự báo trong kỹ thuật, nơi mà các hệ số của mô hình hồi quy có thể giải thích tác dụng của từng biến độc lập lên biến phụ thuộc và các biến độc lập với ảnh hưởng nhiều hơn biến để dự báo, và như vậy, có được một dự báo tốt và đơn giản càng tốt, tức là với số lượng ít nhất của các biến dự báo. Các phương pháp thực hiện có hiệu quả khi các biến dự báo quan trọng nhất có thể thay đổi tùy thuộc vào phạm vi của các biến dự báo. Quá trình thực hiện, đầu tiên áp dụng phương pháp chia làm hai đoạn mà chia tập dữ liệu thành các tập con. Trong mỗi tập con có được một mạng lưới được đào tạo. Trong mỗi mạng được đào tạo, trọng lượng thu được
được nghiên cứu. Các trọng xác định các biến đầu vào quan trọng nhất để được lựa chọn cho mô hình. Đó là, các biến có ảnh hưởng nhiều hơn vào các biến để dự đoán trong mỗi tập con của dữ liệu. Một mô hình được xác định cho mỗi tập con của dữ liệu. Trong giai đoạn thứ hai, để dự đoán với một mô hình mới (dữ liệu mới), nó là cần thiết để biết được mạng (mô hình) nên được sử dụng, trong số đó được xác định trong giai đoạn đầu tiên. Đối với điều này, các phương pháp thực hiện phân loại một mô hình mới (dữ liệu) bằng cách sử dụng một mạng lưới cơ sở thần kinh hướng tâm. Mạng lưới cơ sở thần kinh hướng tâm phân loại các dữ liệu đầu vào, xác định mạng (mô hình) để sử dụng. Các phương pháp được đề xuất và đầu ra của mạng có một số trung bình bình phương lỗi hơn so với phương pháp dự báo khác. Hai vấn đề được giải quyết trong phát triển
phương pháp: cách phù hợp để tìm ra các hiệu ứng riêng của các biến dự báo về biến để dự báo, và các cách để tìm một tập hợp các biến dự báo đó nên được bao gồm trong một mô hình dự đoán.