Weka Algoritma Klasifikasi. Algoritma Klasifikasi Weka adalah plug-in Weka.
Unduh sekarang

Weka Algoritma Klasifikasi. Peringkat & Ringkasan

Weka Algoritma Klasifikasi. Tag

algoritma. klasifikasi Weka. algoritma klasifikasi Weka plug-in Jaringan Saraf Buatan.

Weka Algoritma Klasifikasi. Keterangan

Algoritma klasifikasi Weka adalah plug-in Weka. Algoritma Klasifikasi Weka adalah plug-in weka dipilih untuk implementasi algoritma yang dipilih karena saya pikir ini adalah perangkat lunak gratis yang sangat baik. Proyek WEKA diperlukan untuk menjalankan algoritma yang disediakan dalam proyek ini, dan termasuk dalam unduhan. Ini adalah proyek open source (dirilis di bawah GPL) sehingga kode sumber tersedia Sistem pengenalan imun (udara) · algoritma pilihan clonal (clonalg) · immunos-81 apa yang sedang belajar vektor kuantisasi? · A algoritma pembelajaran kompetitif yang dikatakan sebagai versi yang diawasi dari algoritma mandiri (som) algoritma oleh Kohonen · Tujuan algoritma adalah untuk memperkirakan distribusi kelas menggunakan jumlah vektor kode buku yang dikurangi di mana algoritma berupaya meminimalkan kesalahan klasifikasi · Vektor bookbook menjadi contoh untuk kelas tertentu - Mencoba untuk mewakili batas kelas · Algoritma tidak membangun urutan topografi dari dataset (Tidak ada konsep lingkungan eksplisit di LVQ karena ada dalam algoritma SOM) · Algoritma diusulkan oleh Kohonen pada tahun 1986 sebagai peningkatan kuantisasi vektor berlabel · a Lgoritma dikaitkan dengan kelas jaringan saraf dari algoritma pembelajaran, meskipun bekerja secara signifikan secara berbeda dibandingkan dengan jaringan feed-forward konvensional seperti kembali propagasi apa beberapa keuntungan dari algoritma kuantisasi vektor pembelajaran? · Model ini dilatih secara signifikan lebih cepat daripada teknik jaringan saraf lainnya seperti kembali. Propagasi · Ini mampu meringkas atau mengurangi dataset besar ke sejumlah kecil vektor bookbook yang cocok untuk klasifikasi atau visualisasi · Mampu menggeneralisasi fitur dalam dataset yang menyediakan tingkat kekokohan · dapat memperkirakan hampir semua masalah klasifikasi selama atribut dibandingkan dengan menggunakan ukuran jarak yang bermakna · Tidak terbatas pada jumlah dimensi dalam vektor bookbook seperti teknik tetangga terdekat · Normalisasi input data tidak diperlukan (dinormalisasi dapat meningkatkan akurasi jika nilai atribut sangat bervariasi) · dapat menangani data yang hilang · Model yang dihasilkan dapat diperbarui secara bertahap Hat adalah beberapa kelemahan dari algoritma kuantisasi vektor pembelajaran? · Perlu dapat menghasilkan langkah-langkah jarak yang berguna untuk semua atribut (Euclidean biasanya digunakan untuk atribut numerik) · Akurasi model sangat tergantung pada inisialisasi model serta pembelajaran Parameter yang digunakan (tingkat pembelajaran, iterasi pelatihan, dan sebagak) · Akurasi juga tergantung pada distribusi kelas dalam dataset pelatihan, distribusi sampel yang baik diperlukan untuk membangun model yang berguna · Sulit untuk menentukan jumlah vektor buatan yang baik untuk a diberikan masalah

Weka Algoritma Klasifikasi. Perangkat Lunak Terkait