Published April 22, 2022
| Version v1
Publication
Open
Performance Comparison of New Adjusted Min-Max with Decimal Scaling and Statistical Column Normalization Methods for Artificial Neural Network Classification
Description
In this research, the normalization performance of the proposed adjusted min-max methods was compared to the normalization performance of statistical column, decimal scaling, adjusted decimal scaling, and min-max methods, in terms of accuracy and mean square error of the final classification outcomes. The evaluation process employed an artificial neural network classification on a large variety of widely used datasets. The best method was min-max normalization, providing 84.0187% average ranking of accuracy and 0.1097 average ranking of mean square error across all six datasets. However, the proposed adjusted-2 min-max normalization achieved a higher accuracy and a lower mean square error than min-max normalization on each of the following datasets: white wine quality, Pima Indians diabetes, vertical column, and Indian liver disease datasets. For example, the proposed adjusted-2 min-max normalization on white wine quality dataset achieved 100% accuracy and 0.00000282 mean square error. To conclude, for some classification applications on one of these specific datasets, the proposed adjusted-2 min-max normalization should be used over the other tested normalization methods because it performed better.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
في هذا البحث، تمت مقارنة أداء التطبيع لطرق الحد الأدنى- الحد الأقصى المعدلة المقترحة بأداء التطبيع للعمود الإحصائي، والقياس العشري، والقياس العشري المعدل، وطرق الحد الأدنى- الحد الأقصى، من حيث الدقة ومتوسط الخطأ المربع لنتائج التصنيف النهائي. استخدمت عملية التقييم تصنيف شبكة عصبية اصطناعية على مجموعة كبيرة ومتنوعة من مجموعات البيانات المستخدمة على نطاق واسع. كانت أفضل طريقة هي التطبيع بالحد الأدنى الأقصى، مما يوفر 84.0187 ٪ متوسط ترتيب الدقة و 0.1097 متوسط ترتيب متوسط الخطأ المربع عبر جميع مجموعات البيانات الست. ومع ذلك، حقق التطبيع المعدل المقترح لمدة دقيقتين كحد أقصى دقة أعلى وخطأ مربع متوسط أقل من التطبيع بالحد الأدنى كحد أقصى في كل مجموعة من مجموعات البيانات التالية: جودة النبيذ الأبيض، ومرض السكري لدى هنود البيما، والعمود الرأسي، ومجموعات بيانات أمراض الكبد الهندية. على سبيل المثال، حقق التطبيع المعدل المقترح لمدة دقيقتين كحد أقصى على مجموعة بيانات جودة النبيذ الأبيض دقة بنسبة 100 ٪ و 0.00000282 متوسط خطأ مربع. في الختام، بالنسبة لبعض تطبيقات التصنيف على إحدى مجموعات البيانات المحددة هذه، يجب استخدام التطبيع المعدل المقترح لمدة دقيقتين كحد أقصى على طرق التطبيع الأخرى التي تم اختبارها لأنها كانت أفضل أداءً.Translated Description (French)
Dans cette recherche, la performance de normalisation des méthodes min-max ajustées proposées a été comparée à la performance de normalisation des méthodes de colonne statistique, de mise à l'échelle décimale, de mise à l'échelle décimale ajustée et de méthodes min-max, en termes de précision et d'erreur quadratique moyenne des résultats finaux de la classification. Le processus d'évaluation a utilisé une classification de réseau neuronal artificiel sur une grande variété d'ensembles de données largement utilisés. La meilleure méthode était la normalisation min-max, fournissant un classement moyen de 84,0187 % de précision et un classement moyen de 0,1097 d'erreur quadratique moyenne dans les six ensembles de données. Cependant, la normalisation ajustée de 2 min-max proposée a atteint une précision plus élevée et une erreur quadratique moyenne plus faible que la normalisation min-max sur chacun des ensembles de données suivants : qualité du vin blanc, diabète des Indiens Pima, colonne verticale et ensemble de données sur les maladies du foie en Inde. Par exemple, la normalisation ajustée 2 min-max proposée sur l'ensemble de données de qualité du vin blanc a atteint une précision de 100 % et une erreur quadratique moyenne de 0,00000282. Pour conclure, pour certaines applications de classification sur l'un de ces ensembles de données spécifiques, la normalisation ajustée à 2 min-max proposée doit être utilisée par rapport aux autres méthodes de normalisation testées car elle a donné de meilleurs résultats.Translated Description (Spanish)
En esta investigación, el rendimiento de normalización de los métodos mínimos-máx ajustados propuestos se comparó con el rendimiento de normalización de los métodos de columna estadística, escala decimal, escala decimal ajustada y mínimos-máx, en términos de precisión y error cuadrático medio de los resultados de clasificación final. El proceso de evaluación empleó una clasificación de red neuronal artificial en una gran variedad de conjuntos de datos ampliamente utilizados. El mejor método fue la normalización mínima-máxima, que proporcionó una clasificación media de precisión del 84,0187% y una clasificación media de 0,1097 del error cuadrático medio en los seis conjuntos de datos. Sin embargo, la normalización ajustada a 2 minutos-máximo propuesta logró una mayor precisión y un error cuadrático medio menor que la normalización mínima-máxima en cada uno de los siguientes conjuntos de datos: calidad del vino blanco, diabetes de los indios Pima, columna vertical y conjuntos de datos de enfermedad hepática de los indios. Por ejemplo, la normalización ajustada a 2 min-máx propuesta en el conjunto de datos de calidad del vino blanco logró una precisión del 100% y un error cuadrático medio de 0,00000282. Para concluir, para algunas aplicaciones de clasificación en uno de estos conjuntos de datos específicos, la normalización ajustada a 2 min-máx propuesta debe usarse sobre los otros métodos de normalización probados porque tuvo un mejor rendimiento.Files
3584406.pdf.pdf
Files
(15.9 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:6bbd48ccd47c31e2c54857c6fa8c4556
|
15.9 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- مقارنة أداء الحد الأدنى الجديد المعدل مع القياس العشري وطرق تطبيع العمود الإحصائي لتصنيف الشبكة العصبية الاصطناعية
- Translated title (French)
- Comparaison des performances du nouveau min-max ajusté avec les méthodes de mise à l'échelle décimale et de normalisation des colonnes statistiques pour la classification du réseau neuronal artificiel
- Translated title (Spanish)
- Comparación del rendimiento del nuevo mínimo-máx ajustado con la escala decimal y los métodos de normalización de columnas estadísticas para la clasificación de redes neuronales artificiales
Identifiers
- Other
- https://openalex.org/W4224237105
- DOI
- 10.1155/2022/3584406
References
- https://openalex.org/W2096863518
- https://openalex.org/W2315104825
- https://openalex.org/W2329689179
- https://openalex.org/W2747309270
- https://openalex.org/W2768055745
- https://openalex.org/W2926822960
- https://openalex.org/W3109254476
- https://openalex.org/W3112217566
- https://openalex.org/W3210810136