Paraphraser - #1 Best Paraphrasing Tool by Small SEO Tools - Web and SEO Tools

===============================================================================

Original Content:
Tujuan kedua dari penelitian ini adalah untuk mengembangkan model prediksi kualitas
buah. Gudang besar model pembelajaran mesin potensial dapat diterapkan, dan pilihan
model harus bergantung pada sifat statistik dari masalah yang dihadapi. Menurut
teori pisau cukur Occam, kita harus mencari model paling sederhana yang menjelaskan
data yang diamati. Dalam penelitian ini, kami menguji lima model regresi: Regresi
Linier, SVR Linier, SVR Non-linier, RF, dan XGBoost. Kami melihat bahwa model
linier mengalami kesulitan menjelaskan data, yang diterjemahkan ke dalam kesalahan
prediksi yang lebih tinggi. Ini menunjukkan perlunya model non-linear untuk
menggambarkan data. Kami menemukan bahwa model SVR Non-linier berdasarkan kernel
basis radial sudah memadai (Tabel3).
Namun, sayangnya, data yang dikumpulkan tidak seimbang, karena skor penerimaan yang
rendah (skor penerimaan sama dengan atau di bawah 3 pada skala 1 sampai 5) hanya
menyumbang 20,83% dari total kumpulan data dan, karenanya, RMSE yang diamati dan
R2nilai untuk kumpulan data dengan skor rendah relatif buruk. Dengan demikian,
model regresi yang diuji memberikan prediksi kualitas yang jauh lebih baik untuk
buah dengan skor penerimaan yang lebih tinggi daripada buah dengan skor penerimaan
yang lebih rendah. Untuk mengatasi hambatan ini, kami menambahkan pendekatan
duplikasi lebih lanjut dari subset skor rendah dan menemukan bahwa hal itu membantu
mengurangi RMSE yang diamati menggunakan model SVR Non-linier dari 0,387 menjadi
0,210 dan meningkatkan R2 nilai dari 0,410 hingga 0,823 (Tabel4). Dengan demikian,
menggabungkan model SVR non-linier dengan penambahan metode duplikasi menghasilkan
pengembangan metode prediksi kualitas yang sangat efisien untuk jeruk 'Valencia'
berkualitas tinggi dan berkualitas rendah. Nilai RMSE yang kurang lebih sama yaitu
0,184 dan R2nilai 0,911 baru-baru ini dilaporkan untuk pengembangan model prediksi
umur simpan anggur meja menggunakan fungsi basis radial (RBF) yang dioptimalkan dan
jaringan saraf [14].
Perlu dicatat bahwa produk dari petani lain yang tidak termasuk dalam penelitian
ini mungkin memiliki karakteristik fisik yang berbeda yang akan diterjemahkan
menjadi pola statistik yang agak berbeda, yang pada akhirnya akan menghasilkan
kesalahan prediksi yang lebih besar. Jika memang demikian, dimungkinkan untuk
melatih ulang model menggunakan kumpulan data yang lebih besar yang juga
menyertakan data dari petani tambahan. Selain itu, mungkin juga produksi dari tahun
panen yang berbeda akan memiliki karakteristik statistik yang berbeda, yang saat
ini tidak dikontrol oleh model. Perilaku data yang tidak stasioner ini mungkin akan
meningkatkan kesalahan prediksi dari model yang diusulkan. Dengan meningkatkan
ukuran dataset pelatihan, hal ini juga dapat dimitigasi.
Akhirnya, analisis post hoc mengungkapkan bahwa model prediksi kualitas berdasarkan
data waktu penyimpanan saja jauh kurang akurat daripada model prediksi kualitas
berdasarkan waktu penyimpanan bersama dengan fitur prapanen dan pascapanen lainnya
yang diperiksa (Tabel5). Dengan demikian, pengembangan model prediksi kualitas yang
akurat yang diperlukan untuk penerapan sistem manajemen logistik cerdas FEFO
memerlukan pengumpulan dan penggunaan sebanyak mungkin data prapanen dan
pascapanen.

Rewritten Content:
Tujuan ke 2 dari penelitian ini ialah buat mengembangkan model prediksi kualitas
butir. Gudang besar contoh pembelajaran mesin potensial dapat diterapkan, serta
pilihan model wajib bergantung di sifat statistik asal problem yang dihadapi.
berdasarkan teori pisau cukur Occam, kita wajib mencari model paling sederhana
yang mengungkapkan data yg diamati. dalam penelitian ini, kami menguji 5 model
regresi: Regresi Linier, SVR Linier, SVR Non-linier, RF, dan XGBoost. Kami melihat
bahwa model linier mengalami kesulitan menjelaskan data, yang diterjemahkan ke
dalam kesalahan prediksi yg lebih tinggi. Ini menunjukkan perlunya model non-linear
untuk mendeskripsikan data. Kami menemukan bahwa model SVR Non-linier berdasarkan
kernel basis radial sudah memadai (Tabel3).
tetapi, sayangnya, data yang dikumpulkan tidak seimbang, karena skor penerimaan yg
rendah (skor penerimaan sama menggunakan atau pada bawah tiga pada skala 1 sampai
lima) hanya menyumbang 20,83% berasal total perpaduan data dan , karena itu, RMSE
yg diamati dan R2nilai buat gugusan data dengan skor rendah relatif buruk .
menggunakan demikian, model regresi yg diuji memberikan prediksi kualitas yang jauh
lebih baik buat buah menggunakan skor penerimaan yang lebih tinggi daripada buah
menggunakan skor penerimaan yang lebih rendah. buat mengatasi kendala ini, kami
menambahkan pendekatan duplikasi lebih lanjut berasal subset skor rendah dan
menemukan bahwa hal itu membantu mengurangi RMSE yg diamati menggunakan contoh SVR
Non-linier berasal 0,387 menjadi 0,210 serta menaikkan R2 nilai dari 0,410 sampai
0,823 (Tabel4). dengan demikian, menggabungkan contoh SVR non-linier dengan
penambahan metode duplikasi membentuk pengembangan metode prediksi kualitas yang
sangat efisien untuk jeruk 'Valencia' berkualitas tinggi serta berkualitas rendah.
Nilai RMSE yang kurang lebih sama yaitu 0,184 dan R2nilai 0,911 yang terbaru
dilaporkan buat pengembangan contoh prediksi umur simpan anggur meja menggunakan
fungsi basis radial (RBF) yg dioptimalkan dan jaringan saraf [14].
Perlu dicatat bahwa produk asal petani lain yg tidak termasuk dalam penelitian ini
mungkin memiliki ciri fisik yg tidak sama yg akan diterjemahkan sebagai pola
statistik yang relatif tidak sama, yang di akhirnya akan membuat kesalahan prediksi
yg lebih akbar. Jika memang demikian, dimungkinkan buat melatih ulang contoh
memakai formasi data yg lebih besar yang juga menyertakan data berasal petani
tambahan. Selain itu, mungkin juga produksi asal tahun panen yg tidak selaras akan
memiliki karakteristik statistik yg berbeda, yang waktu ini tidak dikontrol sang
contoh. perilaku data yg tidak stasioner ini mungkin akan menaikkan kesalahan
prediksi asal contoh yg diusulkan. dengan mempertinggi ukuran dataset pembinaan,
hal ini jua bisa dimitigasi.
Akhirnya, analisis post hoc mengungkapkan bahwa contoh prediksi kualitas sesuai
data saat penyimpanan saja jauh kurang seksama daripada model prediksi kualitas
berdasarkan waktu penyimpanan beserta dengan fitur prapanen serta pascapanen
lainnya yg diperiksa (Tabel5). menggunakan demikian, pengembangan model prediksi
kualitas yg seksama yg diharapkan buat penerapan sistem manajemen logistik cerdas
FEFO memerlukan pengumpulan serta penggunaan sebesar mungkin data prapanen serta
pascapanen.

Visit for more SEO tools:

https://smallseo.tools/

Copyright © 2021 Small SEO Tools. All rights reserved.