Finally for this example of applica

Finally for this example of application, only two input variables are used to define the regression model, which confirms the information obtained from weights of the neural network, the sensitivity analysis and with the information provided by experts. For each one of the three subsets obtained have been defined three regression models. They can predict more accurately, because different features have been detected on the input variable over the output variable in each subset obtained. Three regression models have been developed, one for each one sets of patterns, based upon 150 data points divided in three datasets by BM. For forecast the volume
of the wood, in which height and diameter explained 65 % and 23 % respectively of the experimental results (Adjusted R Squared ADJR2 = 88 %) in the third class, in the same way in the second class and in the first class. The results and the prediction equations for each class are showed in Table 4. The most important forecasting variable in the first class and in the third class to predict the variable volume is the variable height but in the middle class the most important input variable is the variable diameter. In this example it is possible observe that, the selection of the most important input variable changes, along the output range of the variable volume to predict. The importance of input variables in the network is the same that in the regression model. Three clusters have been obtained for the data set in the same way by the
neural networks had obtained (see Table 1) and by regression models (see Table 4).
The problem under study is prediction of volume of wood for production of paper pulp, and it is compared to other methods such as the Eq. 2 and the statistical regression analysis, in order to estimate the amount of wood using typical tree variables: diameter and height. The neural networks give less estimated MSE than the standard Eq. 2 and regression analysis (see Table 5).

Kết quả (Việt) 1:

Cuối cùng, cho ví dụ này của ứng dụng, chỉ có hai đầu vào biến được sử dụng để xác định mô hình hồi quy, xác nhận các thông tin thu được từ trọng lượng của mạng nơ-ron, phân tích độ nhạy và với các thông tin cung cấp bởi các chuyên gia. Cho mỗi một trong ba tập thu được đã được xác định ba hồi hàng quy mô hình. Họ có thể dự đoán chính xác hơn, bởi vì các tính năng khác nhau đã được phát hiện trên biến đầu vào trên các biến đầu ra trong mỗi tập con thu được. Ba hồi qui mô hình đã được phát triển, một cho mỗi một bộ các mô hình, dựa trên 150 điểm dữ liệu được chia thành ba datasets bởi BM. Đối với thời lượnggỗ, trong đó chiều cao và đường kính giải thích 65% và 23% tương ứng của các kết quả thử nghiệm (điều chỉnh R Squared ADJR2 = 88%) trong lớp thứ ba, trong cùng một cách trong lớp thứ hai và trong lớp đầu tiên. Các kết quả và các phương trình dự đoán cho mỗi lớp được cho thấy trong bảng 4. Dự báo biến quan trọng nhất trong lớp học đầu tiên và trong lớp thứ ba để dự đoán khối lượng biến là chiều cao biến nhưng trong tầng lớp trung lưu biến đầu vào quan trọng nhất là đường kính biến. Trong ví dụ này có thể quan sát rằng, việc lựa chọn đầu vào biến quan trọng nhất thay đổi, dọc theo dãy sản lượng của khối lượng biến để dự đoán. Tầm quan trọng của các biến đầu vào trong mạng là giống nhau mà trong mô hình hồi quy. Ba cụm đã được thu được cho các thiết lập dữ liệu trong cùng một cách bởi cácmạng nơ-ron đã thu được (xem bảng 1) và bởi hồi qui mô hình (xem bảng 4).Vấn đề đang được nghiên cứu là dự đoán của các khối lượng gỗ dùng cho sản xuất bột giấy, và nó được so sánh với các phương pháp khác chẳng hạn như Eq. 2 và phân tích thống kê hồi quy, để ước tính số lượng gỗ bằng cách sử dụng điển hình cây biến: đường kính và chiều cao. Mạng nơ-ron cho MSE ước tính ít hơn so với tiêu chuẩn Eq. 2 và phân tích hồi quy (xem bảng 5).

Kết quả (Việt) 2:

Cuối cùng cho ví dụ này của ứng dụng, chỉ có hai biến số đầu vào được sử dụng để xác định mô hình hồi quy, trong đó khẳng định các thông tin thu được từ trọng lượng của mạng lưới thần kinh, các phân tích độ nhạy và với các thông tin được cung cấp bởi các chuyên gia. Đối với mỗi một trong ba tập con thu được đã được xác định ba mô hình hồi quy. Họ có thể dự đoán chính xác hơn, bởi vì các tính năng khác nhau đã được phát hiện trên các biến đầu vào qua các biến đầu ra trong mỗi tập con thu được. Ba mô hình hồi quy đã được phát triển, một cho mỗi một bộ mô hình, dựa trên 150 điểm dữ liệu được chia thành ba bộ dữ liệu của BM. Đối với dự báo khối lượng
của gỗ, trong đó chiều cao và đường kính giải thích 65% và 23% tương ứng của các kết quả thử nghiệm (Adjusted R Squared ADJR2 = 88%) trong lớp thứ ba, trong cùng một cách trong lớp thứ hai và trong lần đầu tiên class. Các kết quả và các phương trình dự đoán cho mỗi lớp được thể hiện trong Bảng 4. Các biến dự báo quan trọng nhất trong các lớp học đầu tiên và trong lớp thứ ba để dự đoán khối lượng biến là chiều cao thay đổi, nhưng trong tầng lớp trung lưu biến đầu vào quan trọng nhất là đường kính biến. Trong ví dụ này, có thể thấy rằng, việc lựa chọn các biến thay đổi đầu vào quan trọng nhất, cùng phạm vi sản lượng của khối lượng biến để dự đoán. Tầm quan trọng của các biến đầu vào trong mạng là như nhau mà trong mô hình hồi quy. Ba cụm thu được để dữ liệu đặt trong cùng một cách bởi các
mạng thần kinh đã thu được (xem Bảng 1) và bởi các mô hình hồi quy (xem Bảng 4).
Các vấn đề được nghiên cứu là dự báo khối lượng gỗ cho sản xuất bột giấy, và nó là so với các phương pháp khác như phương. 2 và phân tích hồi quy thống kê, để ước tính số lượng gỗ được sử dụng các biến cây điển hình: đường kính và chiều cao. Các mạng lưới thần kinh cho MSE ít hơn so với dự kiến phương chuẩn. 2 và phân tích hồi quy (xem Bảng 5).