how to open pdf file using c# : Convert a scanned pdf to searchable text SDK control service wpf web page windows dnn NeuroSolutionsforExcel4-part149

NeuroSolutions for Excel
41 / 77
Train N Times
Description
Trains the active NeuroSolutions breadboard N times (where N is chosen by the user) with different random
initial conditions and the best network weights are saved (Note: The best network weights are saved at the run
and epoch when the cross validation error is minimum if a cross validation data set is used or the run and
epoch at which the training error is minimum if only a training data set is used). A report is then generated
showing the results. The generated report contains the following information:
1. Plot of the average training mean-squared error (MSE) versus Epochs (the average is computed by
averaging the MSE of the N runs at each Epoch). The high (average + 1 standard deviation) and low (average
- 1 standard deviation) standard deviation boundaries are also shown on the plot using dashed lines of the
same color as the average line (the standard deviation is computed across the N runs at each Epoch). If the
active worksheet contains Cross Validation Input and Cross Validation Desired tags and the user checks 
Use Cross Validation (see below), this plot will also show the average cross validation MSE and the
corresponding standard deviation boundaries.
2. Table showing the average of the minimum training MSEs and the average of the final training MSEs over the
N runs along with their corresponding standard deviations. If the active worksheet contains Cross Validation
Input and Cross Validation Desired tags and the user checks Use Cross Validation (see below), this table
will include the average of the minimum cross validation MSEs and the average of the final cross validation
MSEs over the N runs and their corresponding standard deviations.
3. Table reporting the best training MSE out of all N runs, the epoch and run # at which this best training MSE
occurred, and the final training MSE for this best run. If the active worksheet contains Cross Validation Input
and Cross Validation Desired tags and the user checks Use Cross Validation (see below), this table also
presents the best cross validation MSE out of all N runs, the epoch and run # at which this best cross
validation MSE occurred, and the final cross validation MSE for this best run.
4. Plot of the training MSE versus Epoch for each of the N runs.
5. Plot of the cross validation MSE versus Epoch for each of the N runs if the active worksheet contains Cross
Validation Input and Cross Validation Desired tags and the user checks Use Cross Validation (see below).
The following data sheets are also created:
Data Sheet Name
Description
TrialName TrnMSE
Contains the training MSEs for each run. Also, the minimum
training MSE for each run is given at the bottom of its
corresponding column.
TrialName CVMSE
Contains the cross validation MSEs for each run. Also, the
minimum cross validation MSE for each run is given at the
bottom of its corresponding column (this sheet is only created if
cross validation is used).
TrialName AvgMSE
Contains the average training MSE, average cross validation
MSE (if cross validation is used), and corresponding standard
deviation boundaries.
Note that the MSE measurements in this report are actually one half of the normalized MSE, which should
match what is reported by the Average Cost probe of NeuroSolutions.
Dialog Box Options
Convert a scanned pdf to searchable text - search text inside PDF file in C#.net, ASP.NET, MVC, Ajax, WinForms, WPF
Learn how to search text in PDF document and obtain text content and location information
how to select text in pdf reader; pdf select text
Convert a scanned pdf to searchable text - VB.NET PDF Text Search Library: search text inside PDF file in vb.net, ASP.NET, MVC, Ajax, WinForms, WPF
Learn How to Search Text in PDF Document and Obtain Text Content and Location Information in VB.NET application
search text in pdf image; select text in pdf
NeuroSolutions for Excel
42 / 77
Trial Name
Enter the name for this particular training trial run. If the entered name has already been used, you will be given
the option to overwrite it.
Number of Epochs
Enter the total number of epochs to train the network for. An epoch is defined as one complete presentation of
all of the data. By default, this setting is initialized to the Epochs / Run setting of the active NeuroSolutions
breadboard.
Number of Runs
Enter the number of times you want to run this network. Since each run begins with different random initial
weights, the more times you run the network the more statistically sound your results will be.
Use Cross Validation
Check this box if you want to use cross validation during training. Note: You will not be able to check this box if
the active worksheet does not contain data tagged as Cross Validation.
Cross Validation Termination
Check this box to enable the termination of a training run if the cross validation error has not improved within the
user-specified number of epochs. Note: You will not be able to check this box if the active worksheet does not
contain data tagged as Cross Validation or if the Use Cross Validation option is unchecked.
Make Classes Evenly Weighted
Check this box to tell NeuroSolutions to evenly weight each class in a classification problem. This will enable
the "Exemplar Weighting" feature of NeuroSolutions and will cause the gradients for each class to be weighted
proportionately according to the number of samples of that class present in the training dataset. For
classification problems in which one or more classes are disproportionately represented, using this feature will
usually help the network to produce a more balanced model. Specifically, the underrepresented classes will be
given more weight, which will usually improve their classification. For example, suppose you have a two-class
problem where 99% of your samples are of the Class1 type and 1% are of the Class2 type. Without exemplar
weighting, the network will likely take the path of least resistance and arrive at a model that classifies all of your
data as Class1. Overall, the network will be 99% accurate, but this is probably not what you want since it will be
0% correct for Class2. With exemplar weighting, the gradients (used for updating the weights) for Class2
samples will be weighted 99 times more than the gradients for Class1 samples. This will usually result in a
more correct classification percentage for Class2 samples. For more information on "Exemplar Weighting", see
the "Exemplar Weighting Inspector" help topic in the NeuroSolutions help. Note: This feature should only be
enabled for classification problems.
C# PDF Convert to Text SDK: Convert PDF to txt files in C#.net
Text can be extracted from scanned PDF image with OCR component. solution for Visual C# developers to convert PDF document to editable & searchable text file
pdf text search tool; select text in pdf file
VB.NET PDF Convert to Text SDK: Convert PDF to txt files in vb.net
batch converting PDF to editable & searchable text formats. Convert PDF document page to separate text file in Text extraction from scanned PDF image with OCR
searching pdf files for text; how to search pdf files for text
NeuroSolutions for Excel
43 / 77
Created with the Standard Edition of HelpNDoc: Full-featured EBook editor
Vary a Parameter
Description
For this training process, the user picks a network parameter to vary. This parameter can be selected from a
default list or typed in. Next the starting value of the chosen network parameter is entered along with the desired
number of variations and the size of the increment between each variation. When the user clicks OK, the active
NeuroSolutions breadboard is trained N times (where N is also chosen by the user) for each value of the
network parameter and the best network weights are saved (Note: The best network weights are saved at the
parameter variation, run, and epoch when the cross validation error is minimum if a cross validation data set is
used or the parameter variation, run, and epoch at which the training error is minimum if only a training data set
is used). After training, a report is automatically generated summarizing the results. The generated report
contains the following information:
1. Plot of the average of the minimum training mean-squared errors (MSEs) for each value of the varied
parameter. The high (average + 1 standard deviation) and low (average - 1 standard deviation) standard
deviation boundaries are also shown on the plot using dashed lines of the same color as the average line. If
the active worksheet contains Cross Validation Input and Cross Validation Desired tags and the user
checks Use Cross Validation (see below), this plot will also show the average of the minimum cross
validation MSEs for each value of the varied parameter and the corresponding standard deviation
boundaries.
2. Table reporting the best training MSE out of all N runs and all values of the varied parameter, the parameter
value, epoch, and run # at which this best training MSE occurred, and the final training MSE for this best run.
If the active worksheet contains Cross Validation Input and Cross Validation Desired tags and the user
checks Use Cross Validation (see below), this table also presents the best cross validation MSE out of all N
runs and all values of the varied parameter, the parameter value, epoch, and run # at which this best cross
validation MSE occurred, and the final cross validation MSE for this best run.
3. Plot of the average training MSE versus Epochs (the average is computed by averaging the MSE of the N
runs at each Epoch). This average is calculated and a curve is displayed for each value of the varied
parameter.
4. If the active worksheet contains Cross Validation Input and Cross Validation Desired tags and the user
checks Use Cross Validation (see below), a plot will be generated for the average cross validation MSE
versus Epochs (the average is computed by averaging the MSE of the N runs at each Epoch). This average
is calculated and a curve is displayed for each value of the varied parameter.
The following data sheets are also created:
Data Sheet Name
Description
TrialName TrnMSE(v#)
Contains the training MSEs for all N runs. Also, the minimum
training MSE for each run is given at the bottom of its
corresponding column. The # sign shown at the left signifies
the variation number. Thus, a separate sheet is created for
each parameter value.
TrialName CVMSE(v#)
Contains the cross validation MSEs for each run. Also, the
minimum cross validation MSE for each run is given at the
bottom of its corresponding column (this sheet is only created if
cross validation is used). The # sign shown at the left signifies
the variation number. Thus, a separate sheet is created for
each parameter value.
TrialName AvgMinMSE
Contains the average of the minimum MSEs calculated over N
runs and the corresponding standard deviations. These values
are computed for each value of the varied parameter. This data
is also computed for the cross validation set if cross validation
is used.
TrialName AvgTrnMSE
Contains the average training MSE (averaged over the N runs)
for each epoch. Each column contains this data for a different
value of the varied parameter.
TrialName AvgCVMSE
If cross validation is used, the worksheet contains the average
VB.NET Image: Robust OCR Recognition SDK for VB.NET, .NET Image
More and more companies are trying to convert printed business be Png, Jpeg, Tiff, image-only PDF or Bmp. original layout and formatting of scanned images, fax
find and replace text in pdf; cannot select text in pdf
VB.NET PDF Convert to Word SDK: Convert PDF to Word library in vb.
Convert PDF to Word in both .NET WinForms and ASP.NET webpage. Create high quality Word documents from both scanned PDF and searchable PDF files without losing
search text in multiple pdf; select text pdf file
NeuroSolutions for Excel
44 / 77
cross validation MSE (averaged over the N runs) for each
epoch. Each column contains this data for a different value of
the varied parameter.
Note that the MSE measurements in this report are actually one half of the normalized MSE, which should
match what is reported by the Average Cost probe of NeuroSolutions.
Dialog Box Options
Trial Name
Enter the name for this particular training trial run. If the entered name has already been used, you will be given
the option to overwrite it.
Number of Epochs
Enter the total number of epochs to train the network for. An epoch is defined as one complete presentation of
all of the data. By default, this setting is initialized to the Epochs / Run setting of the active NeuroSolutions
breadboard.
Number of Runs
Enter the number of times you want to run this network. Since each run begins with different random initial
weights, the more times you run the network the more statistically sound your results will be.
Use Cross Validation
Check this box if you want to use cross validation during training. Note: You will not be able to check this box if
the active worksheet does not contain data tagged as Cross Validation.
Cross Validation Termination
Check this box to enable the termination of a training run if the cross validation error has not improved within the
user-specified number of epochs. Note: You will not be able to check this box if the active worksheet does not
VB.NET Create PDF from PowerPoint Library to convert pptx, ppt to
Convert multiple pages PowerPoint to fillable and editable PDF documents. Easy to create searchable and scanned PDF files from PowerPoint.
how to select text in pdf image; search text in pdf using java
VB.NET Create PDF from Word Library to convert docx, doc to PDF in
Easy to create searchable and scanned PDF files from Word. Convert Word to PDF file with embedded fonts or without original fonts fast.
convert pdf to searchable text; text searchable pdf file
NeuroSolutions for Excel
45 / 77
contain data tagged as Cross Validation or if the Use Cross Validation option is unchecked.
Make Classes Evenly Weighted
Check this box to tell NeuroSolutions to evenly weight each class in a classification problem. This will enable
the "Exemplar Weighting" feature of NeuroSolutions and will cause the gradients for each class to be weighted
proportionately according to the number of samples of that class present in the training dataset. For
classification problems in which one or more classes are disproportionately represented, using this feature will
usually help the network to produce a more balanced model. Specifically, the underrepresented classes will be
given more weight, which will usually improve their classification. For example, suppose you have a two-class
problem where 99% of your samples are of the Class1 type and 1% are of the Class2 type. Without exemplar
weighting, the network will likely take the path of least resistance and arrive at a model that classifies all of your
data as Class1. Overall, the network will be 99% accurate, but this is probably not what you want since it will be
0% correct for Class2. With exemplar weighting, the gradients (used for updating the weights) for Class2
samples will be weighted 99 times more than the gradients for Class1 samples. This will usually result in a
more correct classification percentage for Class2 samples. For more information on "Exemplar Weighting", see
the "Exemplar Weighting Inspector" help topic in the NeuroSolutions help. Note: This feature should only be
enabled for classification problems.
Component.Action
Use the combo box to select the parameter that you want to vary or manually enter a custom one into the box.
The parameter is chosen using the form Component.Action where Component is the name of the
NeuroSolutions component which contains the parameter to be varied (Note: this name is always shown on the
Engine page of a components inspector) and Action is the action that you want to perform on the chosen
component. For example, hiddenAxon1.setRows would be chosen if the parameter you want to vary is the
number of rows (processing elements) in the first hidden layer. Note: If the word “selection“ is used for the
component name, the action is performed on the currently selected component(s) on the NeuroSolutions
breadboard. This is useful if you want to vary the same parameter on multiple components at the same time.
For example, to vary the step size for all of the Momentum components on a breadboard at once, you would
select all of the Momentum components (by holding down the Shift key and clicking on each Momentum
component one at a time) and use selection.setStepSize as the Component.Action.
Start Value
Enter the starting value for the parameter that you are varying.
Increment
Enter the value to increment the parameter by at each step.
# of Variations
Enter the total number of parameter variations desired. Note: The starting value counts as a parameter
variation. For example, if Start Value = 2, Increment = 1, and # of Variations = 4, the Vary A Parameter routine will
use the following 4 parameter values: 2, 3, 4, and 5.
Descriptive Name
A default name is automatically assigned for the name of the parameter being varied (based on the selected 
Component.Action). This is the name that will be used in the report. The user can change this name if desired.
If the user types in a custom Component.Action, the name for this parameter must be entered in this cell.
Created with the Standard Edition of HelpNDoc: Easily create Help documents
Train Genetic
Description
Trains the active NeuroSolutions breadboard while genetically optimizing the networks choice of inputs, step
sizes, momentum values, and the number of processing elements in the hidden layer(s) (Note: Other
parameters can also be optimized by setting them up manually within NeuroSolutions). The goal of the
optimization is to find the parameter settings that result in the minimum error. If cross validation is used, the
goal will be to minimize the cross validation error. Otherwise, the goal will be to minimize the training error. The
best weights and parameter settings will automatically be saved during training and can be loaded into the
NeuroSolutions breadboard by clicking the Load Best Weights menu item. However, this is not normally
necessary since the best weights and parameters will automatically be loaded during testing (if the Load Best
option is selected – the default) or during the application of the Production dataset.
To perform genetic training, first an initial population of networks is randomly created with each having a
VB.NET Create PDF from Excel Library to convert xlsx, xls to PDF
Create searchable and scanned PDF files from Excel in VB.NET Framework. Convert to PDF with embedded fonts or without original fonts fast.
pdf search and replace text; search pdf documents for text
XImage.OCR for .NET, Recognize Text from Images and Documents
extraction from images captured by digital camera, scanned PDF document and image-only PDF. Output OCR result to memory, text searchable PDF, Word, Text file
text select tool pdf; how to search a pdf document for text
NeuroSolutions for Excel
46 / 77
different set of parameters. Each of these networks is then trained and evaluated (to determine its fitness)
based on the minimum error it achieved. The characteristics of the good networks are then combined and
mutated to create a new population of networks. Again, the networks in this population are evaluated and the
characteristics of the best networks are passed along to the next generation of networks. This process is
repeated until the Maximum Generations or Maximum Evolution Time is reached or the user stops the
evolution.
After training, a report is automatically generated summarizing the results. The generated report contains the
following information:
1. Plot of the best fitness achieved during each generation of the optimization. The best fitness is the overall
minimum MSE (cross validation MSE if cross validation was used or the training MSE otherwise) among all
of the networks within the corresponding generation.
2. Plot of the average fitness achieved during each generation of the optimization. The average fitness is the
average of the minimum MSE (cross validation MSE if cross validation was used or the training MSE
otherwise) taken across all of the networks within the corresponding generation.
3. Table summarizing the best fitness and the average fitness plots. For each of these plots, the minimum
MSE (across all generations), the generation of this minimum, and the final MSE are displayed.
Note: If the user stops the genetic training before one generation has been completed, the report will not show
any results.
The following data sheet is also created:
Data Sheet Name
Description
TrialName Fitness
Contains the best fitness and the average fitness for each
generation. Also, the minimum of the best fitness and the
minimum of the average fitness are given at the bottom of its
corresponding column.
Note that the fitness measurements in this report are actually one half of the normalized MSE, which should
match what is reported by the Average Cost probe of NeuroSolutions.
Dialog Box Options
C# Create PDF from Tiff Library to convert tif images to PDF in C#
turning tiff into searchable PDF or scanned PDF. Program.RootPath + "\\" Output.pdf"; // Load a doc = new TIFFDocument(inputFilePath); // Convert loaded TIFF
text searchable pdf; converting pdf to searchable text format
C# Create PDF from Word Library to convert docx, doc to PDF in C#.
Easy to create searchable and scanned PDF files from Word. Convert to PDF with embedded fonts or without original fonts fast.
pdf text search; pdf find text
NeuroSolutions for Excel
47 / 77
Note: Models must be selected from a list, by holding down the Ctrl key while selecting the models to include.
To select a block of models, select the first model in the block, then hold the Shift key and select the last model
in the block.
Trial Name
Enter the name for this particular training trial run. If the entered name has already been used, you will be given
the option to overwrite it.
Number of Epochs
Enter the total number of epochs to train the network for. An epoch is defined as one complete presentation of
all of the data. By default, this setting is initialized to the Epochs / Run setting of the active NeuroSolutions
breadboard.
Population Size
Enter the number of networks to create for each population. Increasing the population size increases the
coverage of the parameter settings within a population, but if it is increased too much, it will reduce overall
efficiency due to replication. By default, this setting is initialized to the Population Size setting of the active
NeuroSolutions breadboard.
Maximum Generations
Enter the maximum number of generations to evolve for. A generation is defined as one complete evaluation of
a population (the training and evaluation of all of the networks in the population). By default, this setting is
initialized to the Maximum Generations setting of the active NeuroSolutions breadboard.
Maximum Evolution Time
Enter the maximum number of minutes to evolve for. By default, this setting is initialized to the Elapsed Time
Termination setting of the active NeuroSolutions breadboard.
NeuroSolutions for Excel
48 / 77
Use Cross Validation
Check this box if you want to use cross validation during training. Note: You will not be able to check this box if
the active worksheet does not contain data tagged as Cross Validation.
Cross Validation Termination
Check this box to enable the termination of a training run if the cross validation error has not improved within the
user-specified number of epochs. Note: You will not be able to check this box if the active worksheet does not
contain data tagged as Cross Validation or if the Use Cross Validation option is unchecked.
Make Classes Evenly Weighted
Check this box to tell NeuroSolutions to evenly weight each class in a classification problem. This will enable
the "Exemplar Weighting" feature of NeuroSolutions and will cause the gradients for each class to be weighted
proportionately according to the number of samples of that class present in the training dataset. For
classification problems in which one or more classes are disproportionately represented, using this feature will
usually help the network to produce a more balanced model. Specifically, the underrepresented classes will be
given more weight, which will usually improve their classification. For example, suppose you have a two-class
problem where 99% of your samples are of the Class1 type and 1% is of the Class2 type. Without exemplar
weighting, the network will likely take the path of least resistance and arrive at a model that classifies all of your
data as Class1. Overall, the network will be 99% accurate, but this is probably not what you want since it will be
0% correct for Class2. With exemplar weighting, the gradients (used for updating the weights) for Class2
samples will be weighted 99 times more than the gradients for Class1 samples. This will usually result in a
more correct classification percentage for Class2 samples. For more information on "Exemplar Weighting", see
the "Exemplar Weighting Inspector" help topic in the NeuroSolutions help. Note: This feature should only be
enabled for classification problems.
Input Optimization
Check the inputs that you want to optimize (allow the inputs to be turned on or off). Uncheck the inputs that you
want to always be on. The options for Input Optimization include:
1. Genetic Algorithm: This is the traditional method of progression for a genetic algorithm and has
been proven to work well for a wide variety of problems. It tends to be a little slower than Steady
State progression, but it tends to do a better job avoiding local minima.
2. Greedy Search: This is a type of input optimization that the evolution terminates immediately when
adding a single input to the previous input set does not improve the fitness.
3. Back Elimination: This is a type of input optimization that the evolution terminates when removing a
single input from the previous input collection leads to a worse fitness.
4. Exhaustive: This is a type of input optimization that tries all possible 2^N-1 combinations. Generally
not recommended for more than 10 inputs.
Note for users of 64-bit Excel: Due to a limitation of the programming environment under 64-bit Excel, the check
boxes shown in the above screen shot are not available. Instead, the inputs must be selected from a list, by
holding down the Ctrl key while selecting the inputs to include. To select a block of inputs, select the first model
in the block, then hold the Shift key and select the last model in the block.
Step Size Optimization
Check the Enable box if you want to genetically optimize the network's step sizes. This will enable the
optimization of the step sizes for all Gradient components in NeuroSolutions. If you enable this optimization, you
can use the Lower Bound and Upper Bound text boxes to specify the range that the optimized parameter(s)
should stay within.
Momentum Optimization
Check the Enable box if you want to genetically optimize the network's momentum values. This will enable the
optimization of the momentum values for all Gradient components in NeuroSolutions that use momentum. If
you enable this optimization, you can use the Lower Bound and Upper Bound text boxes to specify the range
that the optimized parameter(s) should stay within.
Processing Element Optimization
Check the Enable box if you want to genetically optimize the number of processing elements in all of the
network's hidden layers. This will enable the optimization of the rows parameter for each of the axons whose
Component Name starts with “hidden” (see the Engine tab of the component's inspector). If you enable this
optimization, you can use the Lower Bound and Upper Bound text boxes to specify the range that the optimized
parameter(s) should stay within.
NeuroSolutions for Excel
49 / 77
Advanced Genetic Options
Click this button to set up the advanced genetic options. The following dialog will be displayed:
For information on the advanced genetic settings, please download the OptiGen Library Help
from our web site
and read the chapter on Genetic Algorithm Theory.
Created with the Standard Edition of HelpNDoc: Free Web Help generator
Advanced Train Network Module
Train Network Menu Options
Menu Item
Description
Leave N Out
Trains the active NeuroSolutions breadboard multiple times
leaving out different sections of data for each training run. This
training procedure is very useful for testing the robustness of a
model on small datasets.
Note for users of 64-bit Excel: Due to a limitation of the programming environment under 64-bit Excel, the
progress bars shown during training will only have the numercal values and not the graphical bars.
Created with the Standard Edition of HelpNDoc: Easy EPub and documentation editor
Leave N Out
NeuroSolutions for Excel
50 / 77
Description
The Leave-N-Out algorithm trains the network multiple times, each time omitting a different subset of the data
and using that subset for testing. This enables you to use all of your data for training and all of your data for
testing. The testing results are still out-of-sample since the rows being tested are not used to update the
network weights during that particular training run.
To set up a Leave-N-Out training run, you must first tag a portion of your data set as Training and the remainder
of the data set as Cross Validation. One thing to be aware of is that the cross validation set is not being used
the same way as in the standard training routine. The cross validation set is actually the test set which is shifted
between the training runs. The fewer rows you tag as cross validation, the more training runs will be required
and the longer it will take to run. However, the testing results may be better with a smaller number of rows being
tested since each run will have more training data.
Next, select Leave-N-Out from the Training menu and make any parameter changes if needed and click the OK
button. You'll want to set the number of Epochs to be high enough for adequate training but low enough to
prevent overtraining. You may want to tray a standard Training run first to determine an appropriate setting (by
looking at the epoch number of the minimum Cross Validation error).
The network will be trained for multiple runs, each time leaving out a different segment of the file for out-of-
sample testing. The active NeuroSolutions breadboard is then trained one final time using all of the rows for
training. The network output is collected and a report is then generated showing the training results and testing
results. For the default settings, the testing report will contain the results from the entire data set. The contents
of this report will vary based on whether the Classification or Regression report type was selected. The
generated report contains the following information:
1. Plot of the training mean-squared error (MSE) versus Epochs.
2. Table showing the minimum training MSE, the epoch at which this minimum training MSE occurred, and the
final training MSE.
3. Regression selected: Plot of the network output and the desired network output for each output. Each
desired output will be plotted as a solid color and the corresponding network output will be a dashed line of
the same color. For single-output problems a scatter plot will also be generated to show the network output
and the desired output.
4. Classification selected: Confusion matrix showing the number of outputs classified as members of each
class. For single-output problems there is also an option to generate an ROC table and plot.
5. Table reporting the mean-squared error (MSE), normalized mean-squared error (NMSE), mean absolute
error (MAE), minimum absolute error, maximum absolute error, and correlation coefficient (r) for each output.
Note that the MSE is measured using the original (i.e. non-normalized) desired outputs, which is different
than the MSE reported in the Training portion of this report (which is one half of the normalized mean-
squared error). If the Classification report type was selected, this table also includes the percent correct for
each class.
The following data sheets are also created:
Data Sheet Name
Description
TrialName MSE
Contains the training MSE for each epoch in the run (learning
curve). Also, the minimum training MSE is given at the bottom
this column. If cross validation was used, the same results are
also shown for the cross validation data set.
TrialName OutputData
Contains the output data for each run. (Each run contains the
number of rows equal to your indicated shift value.
Note that the MSE measurement for the training portion of this report is actually one half of the normalized MSE,
which should match what is reported by the Average Cost probe of NeuroSolutions.
Dialog Box Options
Documents you may be interested
Documents you may be interested