การ ทํา เช่น นี้ จําเป็น สําหรับ การ คาด เดา ที่ ไว้ ใจ ได้ และ การ ทํา ตาม แบบ อย่าง ที่ ดี เยี่ยม.
การ เข้าใจ ข้อมูล ที่ ไม่ ดี และ ความ รู้สึก หงุดหงิด
ข้อมูล ที่ ไม่ ถูก ต้อง กว่า คือ ข้อมูล ที่ ผิด ปกติ จาก การ สังเกต อื่น ๆ ข้อมูล ที่ เป็น ห่วง กังวล เกี่ยว กับ ข้อ ผิด พลาด หรือ ความ ผิด พลาด ที่ เกิด ขึ้น ใน ข้อมูล ที่ ไม่ ได้ รับ ข้อมูล นั้น ทั้ง สอง อาจ ทํา ให้ กระบวนการ ฝึก อบรม ผิด ไป ซึ่ง ทํา ให้ เกิด การ ทํา เกิน ความ สามารถ หรือ ทํา ให้ ไม่ สามารถ ทํา ได้ เลย
เทคนิค การ ถนัด มือ
หลาย วิธี อาจ ลด ผล กระทบ ของ ความ ถดถอย ได้:
- [FLT: 0] โรบินส์ เรชั่น : ใช้อัลกอริทึมเช่น RIANKC หรือ Hubber Revice ที่ลดอิทธิพลของผู้ด้อยกว่า (ค.ศ.
- [FLT: 0] การแปลงภาพ: การปรับใช้การแปลงเช่นล็อก หรือรากที่สอง สามารถลดผลกระทบที่มากกว่าได้
- [FLT: 0] การลบออกอย่างไม่สิ้นสุด : การระบุและกําจัดออกตามพื้นฐานการทดสอบสถิติ หรือการมองภาพ
ข้อมูลเสียงพึมพัมที่ดูได้
การ ให้ ข้อมูล ที่ มี เสียง รบกวน เกี่ยว ข้อง กับ เทคนิค ที่ ปรับ ปรุง ความ ยืดหยุ่น ของ แบบ:
- [FLT: 0] softing: การประยุกต์ใช้วิธีการเช่นค่าเฉลี่ยการย้าย หรือเคอร์เนลเรียบเพื่อลดความผันผวน
- [FLT: 0] การแบ่งประเภท: การลงวางโทษ(Losso, Hridge) เพื่อป้องกันการรบกวนรบกวน
- [FLT: 0] การทําความสะอาด: การระบุและแก้ไขหรือลบข้อมูลผิดพลาดออกไป
การเลือกและการจําแนกประเภท
การเลือกโมเดลที่ทนทานต่อเสียงรบกวนและเสียงรบกวนนั้นสําคัญมาก การจําแนกประเภท metucation เช่น ความผิดพลาดอย่างร้ายแรง (MAE) และ R-quare สามารถช่วยประเมินประสิทธิภาพของเสียงรบกวนได้