3.3.2. Regression algorithmsSix sta

3.3.2. Regression algorithms
Six statistical and machine learning-based regression algorithms
were employed to build single predictionmodels, namely
multivariate linear regression (MLR), k-nearest neighbor regression
(k-NN), artificial neural network (ANN), support vector
regression (SVR), classification and regression tree (CART), and
Gaussian process regression (GPR).
MLR [35] fits the functional relationship between multiple
input variables and the target variable of the given data in the
form of a linear equation. Let yi denote the target value (p or
q) of the ith product, while xij denotes the jth input variable of
the ith product. Then, the MLR equation of d predictors with n
training instances can be written as

Результаты (русский) 1:

3.3.2. регрессии алгоритмов6 алгоритмы статистической и машина на основе обучения регрессиибыли использованы для построения единого predictionmodels, а именно:многомерной линейной регрессии (MLR), k ближайших соседей регрессии(k-NN), искусственных нейронных сетей (ИНС), поддержка векторрегрессия (SVR), дерево (корзину), классификации и регрессии иРегрессия гауссовский процесс (ППГ).MLR [35] вписывается в функциональные взаимоотношения между несколькимивходных переменных и переменная целевого предоставленных данных вформа линейного уравнения. Пусть yi обозначения целевое значение (p илиq) от ith продукта, в то время как xij обозначает jth входной переменнойith продукт. Затем уравнение MLR d предикторы с nобучение экземпляров может быть записана как

Результаты (русский) 2:

3.3.2. Алгоритмы регрессии
Шесть алгоритмы регрессии статистической и машинного обучения, основанные
были использованы для построения одно- predictionmodels, а именно
многомерной линейной регрессии (MLR), к-ближайших соседей регрессии
(к-НН), искусственная нейронная сеть (ИНС), поддержка векторных
регрессия (СВР) классификация и дерево регрессии (ВОЗ) и
гауссов процесс регрессии (GPR).
МЛР [35] подходит функциональную зависимость между множеством
входных переменных и целевой переменной приведенных данных в
виде линейного уравнения. Пусть ух обозначим целевое значение (р или
д) в го продукта, в то время как Xij обозначает -ю входной переменной
й продукта. Тогда уравнение СЛР Д предсказателей с п
случаях учебных можно записать в виде

Результаты (русский) 3:

3.3.2.регрессия алгоритмов
шесть статистических и для обучения на основе регрессивного алгоритмов
работали для создания единого predictionmodels, а именно
многомерного линейной регрессии (mlr), k-nearest сосед регрессии
(k-nn), искусственная нейронная сеть (энн), поддержку вектор
регрессии (свр), классификации и регрессии дерево (карт), и
гауссовский процесс регрессии (ппг).
mlr [35] подходит функциональные взаимоотношения между многочисленными
входных переменных и целевых переменных из данных в
виде линейное уравнение.пусть и обозначают целевой показатель (P или
Q) i - продукта, в то время как хц означает j - ой ввода переменной
i - продукт.тогда, mlr уравнение d предвестниками n
подготовки случаях могут быть написаны как