WEKA-classificatie-algoritmen WEKA-classificatie-algoritmen is een ka-plug-in.
Download nu

WEKA-classificatie-algoritmen Rangschikking & Samenvatting

WEKA-classificatie-algoritmen Tags

algoritme classificatie Weeka Classificatie-algoritme WEKA Plug-in kunstmatig neuraal netwerk

WEKA-classificatie-algoritmen Beschrijving

WEKA-classificatie-algoritmen is een eka-plug-in. WEKA-classificatie-algoritmen is een WEKA-plug-in.it biedt implementatie voor een aantal kunstmatige neurale netwerk (Ann) en op basis van kunstmatige immuunsysteem (AIS) -classificatie-algoritmen voor de WEKA (Waikato-omgeving voor kennisanalyse) machinaal leren werkbank. Het WEKA-platform werd geselecteerd voor de implementatie van de geselecteerde algoritmen omdat ik denk dat het een uitstekend stuk gratis software is. Het WEKA-project is vereist om de algoritmen in dit project te draaien en is opgenomen in de download. Dit is een open source-project (vrijgegeven onder de GPL), dus de broncode is beschikbaar.Algorithms: · Leren vector kwantisering (LVQ) · Zelforganiserende kaart (SOM) · Feed-forward Artificial Neural Network (FF-Ann) · Kunstmatig Immuunherkenningssysteem (AIRS) · Klonal selectie-algoritme (Clonalg) · Immunos-81What is het leren van vectorkwantisatie? · Een competitief leeralgoritme dat een gecontroleerde versie van de zelforganiserende kaart (SOM) algoritme door Kohonen · Doel van het algoritme is is om de verdeling van een klasse te benaderen met een verminderd aantal codeboekvectoren waar het algoritme classificatiefouten beoogt · CodeBook Vectoren worden exemplars voor een bepaalde klasse - Poging om klasse grenzen te vertegenwoordigen · Het algoritme construeert geen topografische bestellingen van de dataset (Er is geen concept van expliciete wijk in LVQ, omdat er in het SOM-algoritme is) · Algoritme werd in 1986 door Kohonen voorgesteld als een verbetering ten opzichte van gelabelde vectorkwantificatie · de A Lgoritme is geassocieerd met de neurale netwerkklasse van leeralgoritmen, hoewel het aanzienlijk anders werkt in vergelijking met conventionele feed-forward-netwerken zoals rugpropagatie Wat zijn enkele voordelen van het leren vectorkwantisatie-algoritme? · Het model wordt aanzienlijk sneller getraind dan andere neurale netwerktechnieken zoals andere neurale netwerktechnieken zoals andere neurale netwerktechnieken zoals andere neurale netwerktechnieken zijn, Voortplanting · Het is in staat om grote datasets samen te vatten of te verminderen tot een kleiner aantal codeboekvectoren die geschikt zijn voor classificatie of visualisatie · in staat om functies in de dataset te generaliseren die een robuustheid oplevert · kan ongeveer ongeveer elk klassementsprobleem kunnen bijhouden zolang de kenmerken kan zijn Worden vergeleken met behulp van een zinvolle afstandsmaat · Niet beperkt in het aantal dimensies in de codeboekvectoren zoals de dichtstbijzijnde buurtechnieken · Normalisatie van invoergegevens is niet vereist (genormaliseerd kan de nauwkeurigheid verbeteren als kenmerkwaarden sterk variëren) · Kan gegevens met ontbrekende waarden omgaan met Het gegenereerde model kan incrementallyw worden bijgewerkt Hat zijn enkele nadelen van het leren van het leren vectorkwantisatie-algoritme? · Noodzaak om nuttige afstandsmaatregelen te kunnen genereren voor alle attributen (Euclidese wordt meestal gebruikt voor numerieke attributen) · Modelnauwkeurigheid is zeer afhankelijk van de initialisatie van het model en het leren Gebruikte parameters (learnelheid, trainings iteraties, enzovoort) · Nauwkeurigheid is ook afhankelijk van de klasdistributie in de trainingsgegevenset, een goede distributie van monsters is nodig om nuttige modellen te bouwen · Het is moeilijk om een goed aantal codeboekvectoren voor een te bepalen gegeven probleem

WEKA-classificatie-algoritmen Gerelateerde software