WEKA-Klassifizierungsalgorithmen

WEKA-Klassifizierungsalgorithmen ist ein WEKA-Plug-In.
Jetzt downloaden

WEKA-Klassifizierungsalgorithmen Ranking & Zusammenfassung

Anzeige

  • Rating:
  • Lizenz:
  • GPL
  • Preis:
  • FREE
  • Name des Herausgebers:
  • Jason Brownlee
  • Website des Verlags:

WEKA-Klassifizierungsalgorithmen Stichworte


WEKA-Klassifizierungsalgorithmen Beschreibung

WEKA-Klassifizierung Algorithmen ist ein WEKA-Plug-In. WEKA-Klassifizierung Algorithmen ist ein WEKA-Plug-in.it stellt eine Umsetzung für eine Reihe künstlicher neuralischer NEURAL NEWALL-Klassifizierungsalgorithmen für die WEA (Waikato-Umgebung für Wissensanalyse) zur Verfügung Wurde für die Implementierung der ausgewählten Algorithmen ausgewählt, weil ich denke, dass es ein ausgezeichnetes Stück freier Software ist. Das WEA-Projekt ist erforderlich, um die in diesem Projekt bereitgestellten Algorithmen auszuführen und im Download enthalten. Dies ist ein Open-Source-Projekt (unter dem GPL veröffentlicht), so dass der Quellcode verfügbar ist Immunerkennungssystem (Airs) · Clonal Selection Algorithmus (Clonalg) · Immuns-81Was ist Lernvektorquantisierung? · Ein wettbewerbsfähiger Lernalgorithmus sagte, eine überwachte Version der selbstorganisierenden Karte (SOM) Algorithmus von Kohonen · Ziel des Algorithmus ist die Annäherung an die Verteilung einer Klasse mit einer reduzierten Anzahl von Codebuchvektoren, in denen der Algorithmus Klassifizierungsfehler minimiert · Codebuchvektoren werden Beispiele für eine bestimmte Klasse - Versuch, Klassengrenzen darzustellen · Der Algorithmus erstellt keine topographische Reihenfolge des Datensatzes (Es gibt kein Konzept der expliziten Nachbarschaft in der LVQ, da es im SOM-Algorithmus gibt) · Algorithmus wurde 1986 von Kohonen vorgeschlagen, als eine Verbesserung der markierten Vektorquantisierung · das a LGORITHM ist mit der neuronalen Netzwerkklasse von Lernalgorithmen verbunden, obwohl er deutlich unterschiedlich im Vergleich zu herkömmlichen Futtermittelnetzen wie Back-Propagation ist, die einige Vorteile des Lernvektorquantisierungsalgorithmus sind? · Das Modell ist wesentlich schneller ausgebildet als andere neuronale Netztechniken wie zurück Vermehrung · Es ist in der Lage, große Datensätze auf eine kleinere Anzahl von Codebuchvektoren zusammenzufassen oder zu reduzieren, die für die Klassifizierung oder die Visualisierung geeignet sind. In der Lage, Funktionen in der Datenmenge zu verallgemeinern, die einen Robustheitsgrad anbietet. · Kann ungefähr ein Klassifizierungsproblem annähern mit einem sinnvollen Entfernungsmaßnahme verglichen werden Das generierte Modell kann inkrementell aktualisiert werden Hut sind einige Nachteile des Lernvektorquantisierungsalgorithmus? · Um nützliche Entfernungsmaßnahmen für alle Attribute generieren zu können (euclidean wird normalerweise für numerische Attribute verwendet) · Die Modellgenauigkeit hängt stark von der Initialisierung des Modells sowie dem Lernen ab Parameter verwendet (Lernrate, Training Iterationen, ETCetera) · Die Genauigkeit ist auch von der Klassenverteilung im Schulungsdatensatz abhängig, es ist eine gute Verteilung der Proben erforderlich, um nützliche Modelle zu erstellen · Es ist schwierig, eine gute Anzahl von Codebuchvektoren für a zu ermitteln Problem gegeben


WEKA-Klassifizierungsalgorithmen Zugehörige Software

Mutter

Eine Ernährungssoftware, um aufzunehmen, was Sie essen und Ihre Mahlzeiten zur Nährstoffzusammensetzung analysieren ...

252

Herunterladen