The tenet of this study is that a s

The tenet of this study is that a statistical and machine
learning-based approach can overcome the limitations of
the conventional analogical approach to pre-launch forecasting.
The goal of statistical and machine learning is to
discover intrinsic, sometimes unanticipated, relationships
between variables with the help of high computational
power [21,22]. A typical procedure of an inductive statistical
and machine learning approach is as follows. The first
step is to set up the model structure by defining a learning task,
configuring input–output variables, seeking appropriate algorithms,
and selecting proper performance criteria. The second
step is to collect sufficient real-world examples,which are then
divided into training and test data sets. In the third step, the
employed learning algorithms are optimized on the basis of the
training data set. Finally, the best model is identified on the
basis of the test data set, using the predetermined performance
criteria. In this study, the learning task is defined as predicting
the parameters of the Bass model prior to launch, while input
and output variables are configured as product attributes
and diffusion characteristics, respectively. Various regression
algorithms, such as multilayer linear regression, support vector
regression, and Gaussian process regression, as well as an
ensemble model of these, are used in building the prediction
models. Finally, their performances are evaluated using the
mean absolute error (MAE) and the root mean squared error
(RMSE).

Результаты (русский) 1:

Принцип этого исследования является то, что в статистической и машиныподход, основанный на обучение можно преодолеть ограниченияобычных аналогичного подхода к предстартовым прогнозирования.Целью обучения статистической и машина являетсяОткройте для себя неотъемлемой, иногда непредвиденные, отношениямежду переменными с помощью высокой вычислительноймощность [21,22]. Типичная процедура индуктивный статистическойи машина обучения подход является следующим. Первыйшаг заключается в создании структуры модели, определив задачи обучения,Настройка переменных ввода – вывода, ищет соответствующие алгоритмы,и выбрав критерии надлежащего исполнения. Второйшаг состоит в сборе достаточно реальные примеры, которые затемразделен на обучающие и проверочные наборы данных. На третьем шагеалгоритмы обучения работающих оптимизированы исходя изнабор данных для обучения. Наконец, лучшая модель определяется наоснове проверочного набора данных, используя заранее производительностькритерии. В этом исследовании задача обучения определяется как прогнозированиеПараметры бас модель до запуска, во время вводаи выходных переменных настраиваются как атрибуты продуктаи характеристики диффузии, соответственно. Различные регрессииалгоритмы, такие как многослойные линейной регрессии, поддерживают векторрегрессии и гауссовский процесс регрессии, а такжеансамбль модель из них используются в построении прогнозамодели. Наконец, их выступления оцениваются с помощьюсредняя абсолютная погрешность (Мэй) и корень означает квадрат ошибки(СКО).

Результаты (русский) 2:

Принципом данного исследования является то, что статистические и машина
обучения подход может преодолеть ограничения
обычного аналогичного подхода к заранее начать прогнозирование.
Целью статистической и машинного обучения, чтобы
открыть внутреннюю, иногда неожиданных, отношения
между переменными с помощь высокой вычислительной
мощности [21,22]. Типичная процедура индуктивного статистической
и машинной подход к обучению заключается в следующем. Первый
шаг заключается в создании модели структуры, определяя задачи обучения,
настройке ввода-вывода переменных, ищет соответствующие алгоритмы,
и выбрав правильные критерии производительности. Второй
шаг заключается в сборе достаточных реальных примеров, которые затем
делятся на учебные и поверочные наборов данных. На третьем этапе, в
используемые алгоритмы обучения оптимизированы на основе
набора данных обучения. Наконец, лучшая модель идентифицируется на
основе тестовый набор данных, используя заданные производительности
критерии. В этом исследовании, задача обучения определяется как предсказывают
параметры модели Басса до запуска, в то время как входные
и выходные переменные настраиваются как атрибуты продукта
и диффузионные характеристики, соответственно. Различные регрессии
алгоритмы, такие как многослойной линейной регрессии, векторные поддержки
регрессии, и гауссовского процесса регрессии, а также в качестве
ансамбля модели них используются в строительстве прогнозирования
моделей. Наконец, их выступления оцениваются с помощью
средняя абсолютная ошибка (МИД) и корень среднеквадратичной ошибки
(СКО).

Результаты (русский) 3:

задачей этого исследования заключается в том, что статистический и машина
обучения подход может преодолеть ограничения
обычных аналогичный подход к предстартовые прогнозы.
цели статистической и машинного обучения является
обнаружить внутреннюю, порой неожиданные, отношения [между переменными, с помощью высоких вычислительная
власть [21,22].типичная процедура индуктивный статистических
и машинного обучения подход заключается в следующем.первый: шаг - создать типовую структуру, определяя учебные задачи,
настройки входных – выходных переменных, искать подходящие алгоритмов,
и выбора надлежащих показателей эффективности.второй: шаг - реальные собрать достаточно примеров, которые затем
на подготовку и проверки данных.на третьем этапе обучения,
, работающих на основе алгоритмов оптимизации
подготовку набора данных.и, наконец, лучшие модели определяется на основе испытания: набор данных, используя заранее служебной
критериев.в этом исследовании, учебной задачи определяется как предсказание
параметры бас модели до запуска, в то время как вклад.и переменные выпуска настроены как товарные атрибуты
и распространения характеристики, соответственно.различные регрессии
алгоритмов, таких как многослойный линейной регрессии, поддержка вектор
регрессия и гауссовский процесс спада, а также
ансамбль модели этих, используются в строительстве прогнозирования
моделей.и, наконец, свои выступления оцениваются с использованием
имею в виду абсолютной погрешности (маи) и коренные означает квадрат ошибка
(rmse).