Figure 6: décalage entre les prédictions du réseau et les valeurs cibles réelles du champ dans l`ensemble de données d`apprentissage en fonction du nombre d`époques pour un modèle ANN de couche cachée. Les thèmes communs de la modélisation axée sur les données ont été développés avec l`intégration et la contribution de diverses spécialisations interdisciplinaires impliquant l`intelligence artificielle et computationnelle, l`apprentissage automatique et la reconnaissance des schémas, l`exploration de données avec l`analyse des données statistiques, la découverte des connaissances dans les bases et l`informatique logicielle. Une mise en page de modélisation pilotée par les données repose sur l`hypothèse qu`un processus primaire a généré une base de données de cas observés, d`expérience et de connaissances d`experts. Comme le démontre la figure 1, l`objectif ultime de la modélisation de proxy axée sur les données cognitives est de fusionner ces sources d`informations multiples pour présenter un modèle représentatif pour le processus principal. Si l`approximation du modèle présenté est acceptable pour ce processus, elle peut être employée pour répondre aux autres questions concernant les propriétés du processus sous-jacent [11]. Comme mentionné, Django créera automatiquement un OneToOneField reliant votre classe enfant à tous les modèles parents non abstraits. Si vous souhaitez contrôler le nom de l`attribut qui se rattacher au parent, vous pouvez créer votre propre OneToOneField et définir parent_link = true pour indiquer que votre champ est le lien vers la classe parente. Il est également important que vous traverserez les arguments qui peuvent être passés à la méthode de modèle-c`est ce que le bit de * args, * * kwargs fait. Django va, de temps à autre, étendre les capacités des méthodes de modèle intégrées, en ajoutant de nouveaux arguments.
Si vous utilisez * args, * * kwargs dans vos définitions de méthode, vous êtes assuré que votre code prendra automatiquement en charge ces arguments lorsqu`ils sont ajoutés. Par exemple, si vous aviez organic.py et synthetic.py dans le répertoire des modèles: les classes de base abstraites sont utiles lorsque vous souhaitez mettre des informations communes dans un certain nombre d`autres modèles. Vous écrivez votre classe de base et placez abstract = true dans la classe meta. Ce modèle ne sera alors pas utilisé pour créer une table de base de données. Au lieu de cela, lorsqu`il est utilisé comme classe de base pour d`autres modèles, ses champs seront ajoutés à ceux de la classe enfant. Figure 5: diagramme croisé des résultats de production d`huile cumulative de champ réel (valeurs cibles) par rapport aux prédictions du réseau pour une couche cachée modèle ANN: a) ensemble de données de formation; b) jeu de données de test. Il y a quelques restrictions sur le modèle intermédiaire: la performance d`un modèle ANN de trois couches cachées est également étudiée pour cette étude de cas avec les mêmes six noeuds dans chaque couche cachée. Les performances d`ANN au cours de la phase d`entraînement sont fondamentalement parfaites comme d`excellentes correspondances entre les cibles et les valeurs de sortie prévues démontrées dans la figure 9A. Le tracé de l`évolution des erreurs certifie également une bonne étape d`entraînement où l`erreur a été significativement diminuée comme illustré à la figure 10.
Néanmoins, une fois que le modèle de proxy axé sur les données formés est appliqué à l`ensemble de données de test, l`évaluation des prévisions du modèle de proxy avec la fonction objectif cible souhaitée valeurs réelles révélées être terriblement mal conditionné.