most inferior of the three models b

most inferior of the three models because the points in
Fig. 6(a) and (b) seem to be almost randomly distributed. In
addition, its prediction coverage ismuch narrower than that of
the actual targets; its predicted p values are generally located
within 0 and 0.01, although their target values are in the range
of 0 to 0.03.Moreover, its predicted q values aremostly located
within 0 and 0.3 even though their target values are in the
range of 0 to 0.7. It seems as though the randomness and
narrow coverage of these predicted outcomes can be resolved
using MLR (Fig. 6(c) and (d)). However, two other issues arise
from the MLR results: (1) MLR tends to over-predict the
estimates beyond a certain extent (p N 0.02 and q N 0.05) and
(2) the prediction outcomes of some products are negative.
Fig. 6(e) and (f) shows that the ensemble model can overcome
the problems caused byMLR: there are no over-predicted values
and negative outcomes appear in only two products when
predicting p.
The experimental results in this study can be summarized as
follows. First, the product attributes configured herein are shown
to be valid, as they lead the regression algorithms to accurate
prediction results. Second, statistical and machine learningbased
regression algorithms result in a higher predictive power
compared with the conventional analogical model. Among
the regression algorithms, the best predictionmodel wasMLR;
not only because its prediction error rate was the lowest, but
also because its residual errors were most compactly distributed.
Lastly, the ensemble model significantly enhanced the
prediction accuracy of the single regression algorithms. In

Результаты (русский) 1:

Большинство уступает три модели, потому что очки вРис. 6(a) и (b), как представляется, быть почти случайным. ВКроме того, его предсказание покрытия ismuch короче, чем уфактической цели; как правило расположены его прогнозируемые значения pв пределах 0 и 0.01 хотя их целевые значения находятся в диапазонеот 0 до 0.03.Moreover, его предсказал q значения aremostly расположенв пределах 0 и 0,3 Хотя их целевых значений находятся вдиапазон 0-0,7. Кажется, как будто случайности иузкий охват этих прогнозируемых результатов может быть решенас помощью MLR (рис. 6 c и d). Однако возникают две проблемыот MLR результаты: (1) MLR, как правило, чрезмерно предсказатьоценки за пределы определенной степени (p N 0.02 и q N 0,05) и(2 прогноз результатов некоторых продуктов являются негативными.Рис 6 е и (f) показывает, что модель ансамбль может преодолетьпроблемы byMLR: существует не чрезмерно прогнозируемые значенияи отрицательные результаты появляются только два когдаПрогнозирование p.Экспериментальные результаты в этом исследовании можно резюмироватьследующим образом. Во-первых показаны атрибуты продукта, настроенные здесьчтобы быть допустимым, поскольку они ведут алгоритмы регрессии для точнойРезультаты прогноза. Второй, статистических и машины learningbasedалгоритмы регрессии привести к более высокой мощности прогнозированияпо сравнению с обычными аналогичные модели. Средиалгоритмы регрессии, лучший predictionmodel wasMLR;не только потому, что его коэффициент ошибок прогнозирования был низким, нотакже потому, что его остаточная ошибки наиболее компактно были распределены.Наконец, модель ансамбль значительно улучшеноточность предсказания одной регрессии алгоритмов. В

Результаты (русский) 2:

Наиболее уступает из трех моделей, так как точки в
рис. 6 (а) и (б), как представляется, почти случайным образом распределены. В
дополнение, его охват предсказание ismuch уже, чем
реальных целей; его предсказанные значения P, как правило, находится
в пределах от 0 до 0,01, хотя их целевые значения находятся в диапазоне
от 0 до 0.03.Moreover, его предсказанные значения Q aremostly расположенной
в пределах 0 и 0,3, даже если их целевые значения в
диапазоне от 0 до 0,7 , Похоже, что случайность и
узкий охват этих прогнозируемых результатов может быть решена
с помощью СЛР (рис. 6 (с) и (d)). Однако два других проблемы возникают
из результатов MLR: (1) МЛР имеет тенденцию к чрезмерному предсказать
оценок за определенной степени (P N 0,02 и Q N 0.05) и
(2) результаты прогнозирования некоторых продуктов отрицательные.
Рис. 6 (е) и (F) показывает, что ансамбль модель может преодолеть
проблемы, вызванные byMLR: нет более-предсказанные значения
и отрицательные результаты появляются только в двух продуктов,
когда. Прогнозировании р
Экспериментальные результаты в этом исследовании можно резюмировать
следующим образом , Во-первых, атрибуты продукта написал здесь, приведены
в силе, так как они приводят алгоритмы регрессии в точных
результатов прогнозирования. Во-вторых, статистические и машина learningbased
алгоритмы регрессии привести к более высокой предсказательной силой
по сравнению с обычным аналогичным модели. Среди
алгоритмов регрессии, лучше predictionmodel wasMLR;
не только потому, что его коэффициент ошибок предсказания был самым низким, но
и потому, что его остаточные ошибки были наиболее компактно распределены.
Наконец, ансамбль модель значительно повысила
точность предсказания алгоритмов отдельных регрессии. В

Результаты (русский) 3:

наиболее низкое из трех моделей, поскольку вопросы
рис. 6 (a) и b), как представляется, почти произвольно распределенной.в
того, его предсказания охвата ismuch меньше, чем это
фактических показателей; его прогнозируемым P ценностей, как правило, расположены
в 0 и 0,01, хотя их целевые показатели находятся в пределах
0 - 0.03.moreover, предсказал Q ценностей aremostly расположен
в 0 - 0.3, несмотря на то, что их целевые значения находятся в диапазоне от 0 до 0,7 ".кажется, что случайности и
узкий охват этих прогнозируемых результатов может быть решен
с использованием mlr (рис. 6 (c) и d)).однако два других возникают вопросы: от mlr результаты: (1), как правило, за mlr предсказать
оценок за пределы определенной степени (P - 0,02 и Q - 0,05) и
(2) прогнозирование результатов некоторых продуктов являются негативными.
рис. 6 (e) и f) показывает, что ансамбль модель может преодолеть
проблем, связанных bymlr: нет более прогнозируемых значений
и отрицательные результаты появятся только в двух продуктов, когда
предсказывают, p.
экспериментальные результаты этого исследования можно резюмировать как
образом.во - первых, товарные атрибуты настроен здесь показаны
действительными,как они ведут регрессия алгоритмы для точного прогнозирования результатов ".во - вторых, статистические и машина learningbased
регрессии алгоритмов, в результате высшего интеллектуального власти: по сравнению с обычными аналогичной модели.среди
регрессия алгоритмов, лучший predictionmodel wasmlr;
не только потому, что его предсказания ошибки была низкой, но
и потому, что его остаточной ошибки были наиболее компактно распространен.
и, наконец, ансамбль модель значительно повысить точность прогнозов ", единой регрессии алгоритмов.в.