 | الورتم ها طبقه بند WEKAالورتم ها طبقه بند WEKA لان WEKA است. |
| انون بارر ن | |
الورتم ها طبقه بند WEKA رتبه بند و خلاصه
تبلغات
الورتم ها طبقه بند WEKA برسب ها
الورتم ها طبقه بند WEKA شرح
الورتم ها طبقه بند WEKA لان WEKA است. الورتم ها طبقه بند WEKA لان WEKAIL.IT اده ساز برا تعداد از شبه ها عصب مصنوع (ANN) و سستم امن مصنوع سستم امن بدن (AIS) برا WEKA (محط زست Waikato برا تجزه و تحلل دانش) ماشن ار م نند برا اجرا الورتم ها انتخاب شده انتخاب شد، زرا من فر م نم قطعه عال از نرم افزار راان است. روه WEKA ملزم به اجرا الورتم ها ارائه شده در ان روه است و در دانلود نجانده شده است. ان روه منبع باز (منتشر شده در زر GPL) است، بنابران د منبع در دسترس است .algorithms: Quantization بردار بردار (LVQ) نقشه خود سازمانده (SOM) شبه عصب مصنوع خورا (FF-ANN) مصنوع سستم تشخص امن (AIRS) الورتم انتخاب لونال (Clonalg) immunos-81What choundization بردار ادر است؟ الورتم ادر رقابت فته م شود ه نسخه تحت نظارت الورتم MAP (SOM) خود سازمانده شده توسط Kohonen هدف الورتم است تقرب توزع لاس با استفاده از تعداد اهش افته از بردارها د تاب ه در آن الورتم به دنبال به حداقل رساندن خطاها طبقه بند است بردارها دبند به لاس خاص تبدل م شود - تلاش برا نشان دادن مرزها لاس (ه مفهوم از محله صرح در LVQ وجود ندارد، زرا در الورتم SOM وجود دارد) الورتم توسط Kohonen در سال 1986 شنهاد شد به عنوان شرفت بش از وانتزاسون بردار برسب a Lgorithm با لاس شبه عصب الورتم ها ادر مرتبط است، هرند به طور قابل توجه متفاوت با شبه ها تغذه معمول مانند بازشت به ش فرض، برخ از مزاا الورتم وانتوم بردار ادر است؟ مدل به طور قابل توجه سرعتر از سار تن ها شبه عصب آموزش دده است انتشار قادر به خلاصه ردن ا اهش مجموعه داده ها بزر به تعداد متر از بردارها داب مناسب برا طبقه بند ا تجسم است قادر به تعمم و ها در مجموعه داده ها فراهم م ند سطح استحام م تواند تقربا در مورد هر ونه مشل طبقه بند تا زمان ه و ها م تواند تقرب است با استفاده از اندازه ر فاصله معن دار مقاسه ند در تعداد ابعاد در بردارها د تاب مانند نزدترن تن ها همساه محدود نم شود نرمال ساز داده ها ورود مورد ناز نست (نرمال شده ممن است دقت را بهبود بخشد ار مقادر و بسار متفاوت باشد) م تواند داده ها را با ارزش ها مشده تغر دهد مدل تولد شده م تواند به روزرسان شود لاه برخ از معاب الورتم Quantization بردار ادر است؟ ناز به تولد اقدامات مفد برا تمام و ها (اقلدس معمولا برا و ها عدد استفاده م شود) دقت مدل بسار وابسته به راه انداز اوله مدل و همنن ادر است ارامترها مورد استفاده (نرخ ادر، ترارها آموزش، و غره) دقت نز وابسته به توزع لاس در مجموعه داده ها آموزش است، توزع خوب از نمونه ها برا ساخت مدل ها مفد مورد ناز است دشوار است تعن تعداد خوب از بردارها د تاب برا مشل داده شده
الورتم ها طبقه بند WEKA نرم افزارها مرتبط
