Table III shows the rules generated

Table III shows the rules generated from the knowledge base by presenting a sample set of test patterns. The antecedent parts are obtained using (19-21) while the consequent parts are deduced from the values of the certainty measure bela. The rules obtained may be verified by comparing with Fig. 4. Note that the 5th 6th and 9th entries generate no justification.
B. Kala-azar Data
The model was next trained with the kala-azar data using 30 (20 diseased and 10 control/normal) cases. The test set consisted of 38 samples constituting the responses of the above-mentioned 20 diseased patients (over the next 20 days) to the ongoing treatment [221. Some of these patients were cured while the conditions of a few others worsened, some-times ultimately culminating in death. The instances of patients cured constituted the output class normal/cured while the remaining cases were clubbed under the output class diseased. The performance of various sizes of the proposed model on the kala-azar data with training set size perc = 44.I(= 38/68) is depicted in Table IV. Note that mean square error mse, perfect match p and best match b refer to the training set while mean square error mset and overall score t are indicative of the test set.
Then a trained three-layered neural network with 10 hidden nodes was used to demonstrate the inferencing ability (Tables V-VI) of the model on the kala-azar data. Table V shows the inferred output responses of the model for a sample set of test data. Here class 1 corresponds to diseased while class 2 refers to cured. The 1St and 6th entries correspond to patients experiencing speedy recovery during the course of treatment while the 2"d entry refers to a patient who was gradually cured. The certainty measure and output membership values bear testimony to this. Note that the 1St and 2"d rows for each entry refer respectively to the status of the patient at the end of 10 and 20 days. The 3rd and 4th entries correspond

Hasil (Bahasa Indonesia) 1:

Tabel III menunjukkan aturan-aturan yang dihasilkan dari pangkalan pengetahuan dengan menghadirkan serangkaian sampel uji pola. Bagian yg diperoleh dengan menggunakan (19-21) sementara bagian konsekuen disimpulkan dari nilai-nilai kepastian ukuran bela. Aturan-aturan yang diperoleh dapat diverifikasi dengan membandingkan dengan gambar 4. Catatan bahwa 5 6 dan 9 entri menghasilkan ada pembenaran.B. kala-azar DataModel berikutnya dilatih dengan data kala-azar menggunakan 30 (20 berpenyakit dan 10 kontrol/normal) kasus. Tes set terdiri dari 38 sampel merupakan tanggapan yang disebutkan di atas pasien berpenyakit 20 (selama 20 hari) untuk perawatan berkelanjutan [221. Beberapa pasien yang sembuh, sementara kondisi beberapa orang lain memburuk, beberapa kali pada akhirnya berpuncak pada kematian. Contoh-contoh pasien sembuh membentuk output kelas normal/disembuhkan sementara sisa kasus itu dipukuli di bawah kelas output berpenyakit. Kinerja berbagai ukuran model diusulkan pada data kala-azar dengan pelatihan mengatur ukuran perc = 44.I (= 38/68) digambarkan dalam tabel IV. Perhatikan bahwa berarti square kesalahan UMK, cocok p dan terbaik pertandingan b merujuk pada pelatihan yang mengatur sementara mean square kesalahan mset dan keseluruhan Skor t adalah indikasi set tes.Maka terlatih berlapis tiga jaringan saraf dengan 10 tersembunyi node digunakan untuk menunjukkan kemampuan inferencing (tabel V-VI) model pada kala-azar data. Tabel V menunjukkan tanggapan inferred output dari model untuk serangkaian contoh data uji. Di sini kelas 1 sesuai dengan berpenyakit sedangkan kelas 2 mengacu sembuh. 1 dan 6 entri sesuai dengan pasien mengalami pemulihan yang cepat selama perawatan sementara 2 "d entri mengacu pada pasien yang secara bertahap disembuhkan. Kepastian ukuran dan output nilai keanggotaan memiliki kesaksian ini. Perhatikan bahwa tempat 1 dan 2" d baris untuk setiap entri merujuk masing-masing dengan status pasien pada akhir 10 dan 20 hari. 3 dan 4 entri sesuai

Hasil (Bahasa Indonesia) 2:

Tabel III menunjukkan aturan yang dihasilkan dari basis pengetahuan dengan menghadirkan contoh set pola uji. Bagian yg diperoleh menggunakan (19-21) sedangkan bagian konsekuen yang disimpulkan dari nilai-nilai bela ukuran kepastian. Aturan yang diperoleh dapat diverifikasi dengan membandingkan dengan Gambar. 4. Perhatikan bahwa entri 6 dan 9 5 menghasilkan pembenaran.
B. Kala-azar data
Model ini selanjutnya dilatih dengan data kala azar-menggunakan 30 (20 berpenyakit dan 10 kontrol / normal) kasus. Tes set terdiri dari 38 sampel yang merupakan tanggapan dari 20 pasien yang sakit di atas (selama 20 hari ke depan) untuk pengobatan yang sedang berlangsung [221. Beberapa pasien tersebut sembuh sementara kondisi beberapa orang lain memburuk, beberapa kali akhirnya berpuncak pada kematian. Contoh pasien sembuh merupakan kelas output normal / sembuh sementara kasus sisanya dipukuli di bawah kelas keluaran berpenyakit. Kinerja berbagai ukuran dari model yang diusulkan pada data kala azar-dengan training set ukuran PERC = 44.I (= 38/68) digambarkan pada Tabel IV. Catatan itu berarti mse persegi kesalahan, sempurna pertandingan p dan terbaik pertandingan b mengacu pada pelatihan ditetapkan sementara rata-rata mset square error dan secara keseluruhan t skor adalah indikasi dari set uji.
Kemudian dilatih jaringan saraf tiga lapis dengan 10 node tersembunyi digunakan untuk menunjukkan kemampuan inferensia (Tabel V-VI) dari model pada data kala azar-. Tabel V menunjukkan respon keluaran disimpulkan dari model untuk sampel set data uji. Berikut kelas 1 sesuai dengan yang sakit sementara kelas 2 mengacu sembuh. The 1St dan 6 entri sesuai dengan pasien mengalami pemulihan cepat selama pengobatan sementara 2 "d entri mengacu pada pasien yang secara bertahap sembuh. Kepastian ukuran dan keanggotaan output nilai kesaksian ini. Catatan bahwa 1St dan 2" d baris untuk setiap entri merujuk masing dengan status pasien pada akhir 10 dan 20 hari. 3 dan 4 entri sesuai