Analys av myokardiella hastighetsvariabler för diagnos av ...

34 KAPITEL 4. RESULTAT
gömda lagret för att slutligen presenteras i en boxplot i figur 4.5. Det är sv˚art
att se n˚agon tydlig trend ur figurerna 4.4 och 4.5 mer än att spridningen ökar
med ökat antal noder undantaget 80-nodersfallet.
100
50
1 nod(er)
0
0 20 40 60 80 100
10 nod(er)
100
50
0
0 20 40 60 80 100
40 nod(er)
100
50
0
0 20 40 60 80 100
100
50
5 nod(er)
0
0 20 40 60 80 100
20 nod(er)
100
50
0
0 20 40 60 80 100
80 nod(er)
100
50
0
0 20 40 60 80 100
Figur 4.4: Oförbehandlade inparametrar,x-axeln är felet p˚a träningsparametrar
och y-axeln felet p˚a validerinsparametrar.
SSE(träning+validering)
200
180
160
140
120
100
80
60
40
20
0
1 5 10 20 40 80
antal nod(er)
Figur 4.5: Boxplot med oförbehandlade
inparametrar
SSE(träning+validering)
200
180
160
140
120
100
80
60
40
20
0
1 5 10 20 40 80
antal nod(er)
Figur 4.6: Boxplot med MNMXförbehandlade
inparametrar
För att f˚a större insikt görs en statistisk sammanställning av prestandan för
de olika neuronnäten. I tabell 4.2 har testdatamängden använts för att beräkna
arean i respektive ROC-diagram för varje neuronnät. Sedan har statistik skapats
över de totalt 50 itereringar och s˚aledes 50 neuronnäten, och submängder om de
25 och 10 bästa itereringar med urvalskriteriet l˚agt totalt fel Etot p˚a träningsoch
valideringsmängden. Neuronnäten är även uppdelade radvis efter hur m˚anga
noder som ing˚ar. För nodkonstellation finns snittarean Ai för totalt alla 50 neu-