Investigations on Impact of Feature Normalization Techniques for Prediction of Hydro-Climatology Data Using Neural Network Backpropagation with Three Layer Hidden
Notice bibliographique
Résumé
Data normalization techniques are a very important initial stage to be carried out in order to obtain a good predictive data approach.Many researchers get different prediction and error results in each use of these data normalization techniques.Thereby, in this article discusses the accuracy rate of the seven normalization techniques at the preprocessing stage in the Neural Network Backpropagation (NNBP) architecture including decimal scaling, Z-score, min-max (there are 6 types), sigmoid, tanh estimators, mean-MAD, and median-MAD.We used two data patterns: seasonal data (rainfall) and stationary data (air humidity) that taken over the past 10 years (at 10-day intervals).We use accuracy rate parameters including number of epochs, MAE, and MSE when conducting training, testing, and predictions.The results showed that the Z-score technique was very good for the normalization of rainfall data with epochs of 10, MAE of 0.051, and MSE of 0.004.In the case of air humidity data, mean-MAD and Z-score techniques can be recommended with the number of mean-MAD technique epochs of 8, MAE of 0.013, MSE of 0.0004, while the number of epochs of Z-score techniques of 7, MAE of 0.018, and MSE of 0.0006.Thus, we conclude that when other researchers predict seasonal data or stationary data can use the Z-score technique for data normalization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».