 | Weka वर्गीकरण एल्गोरिदम |
| अब डाउनलोड करो | |
Weka वर्गीकरण एल्गोरिदम रैंकिंग और सारांश
विज्ञापन
Weka वर्गीकरण एल्गोरिदम टैग
Weka वर्गीकरण एल्गोरिदम विवरण
Weka वर्गीकरण एल्गोरिदम एक Weka प्लग-इन है। Weka वर्गीकरण एल्गोरिदम एक Weka प्लग -in है। यह कई कृत्रिम तंत्रिका नेटवर्क (एन) और कृत्रिम प्रतिरक्षा प्रणाली (एआईएस) आधारित वर्गीकरण एल्गोरिदम के लिए कार्यान्वयन प्रदान करता है (ज्ञान विश्लेषण के लिए वाइकोटो पर्यावरण) मशीन लर्निंग वर्कबेंच। वेका मंच चयनित एल्गोरिदम के कार्यान्वयन के लिए चुना गया था क्योंकि मुझे लगता है कि यह मुफ्त सॉफ्टवेयर का एक उत्कृष्ट टुकड़ा है। WEKA प्रोजेक्ट को इस प्रोजेक्ट में प्रदान किए गए एल्गोरिदम को चलाने की आवश्यकता है, और इसे डाउनलोड में शामिल किया गया है। यह एक ओपन सोर्स प्रोजेक्ट (जीपीएल के तहत जारी) है, इसलिए स्रोत कोड उपलब्ध है। एल्गोरिथम्स: · सीखना वेक्टर क्वांटिज़ेशन (एलवीक्यू) · स्व-व्यवस्थित मानचित्र (एसओएम) · फ़ीड-फॉरवर्ड कृत्रिम तंत्रिका नेटवर्क (एफएफ-एन) · कृत्रिम प्रतिरक्षा मान्यता प्रणाली (एआईआरएस) · क्लोनल चयन एल्गोरिदम (क्लोनालग) · इम्यूनोस -81 वेक्टर क्वांटिज़ेशन सीख रहा है? कोडबुक वेक्टर की कम संख्या का उपयोग करके कक्षा के वितरण को अनुमानित करना है जहां एल्गोरिदम वर्गीकरण त्रुटियों को कम करने की कोशिश करता है · कोडबुक वैक्टर एक विशेष वर्ग के लिए उदाहरण बन जाते हैं - कक्षा की सीमाओं का प्रतिनिधित्व करने का प्रयास · एल्गोरिदम डेटासेट के एक भौगोलिक क्रम का निर्माण नहीं करता है (एलवीक्यू में स्पष्ट पड़ोस की कोई अवधारणा नहीं है क्योंकि एसओएम एल्गोरिदम में है) · 19 86 में कोहोनन द्वारा लेबल किए गए वेक्टर क्वांटिज़ेशन पर सुधार के रूप में प्रस्तावित किया गया था · ए एल्गोरिदम सीखने वाले एल्गोरिदम के तंत्रिका नेटवर्क वर्ग से जुड़ा हुआ है, हालांकि पारंपरिक फ़ीड-फॉरवर्ड नेटवर्क की तुलना में काफी अलग तरीके से काम करता है जो सीखने वाले वेक्टर क्वांटिज़ेशन एल्गोरिदम के कुछ फायदे हैं? प्रचार · यह वर्गीकरण या विज़ुअलाइजेशन के लिए उपयुक्त कोडबुक वैक्टर की एक छोटी संख्या में बड़े डेटासेट को संक्षेप में संक्षेप में या कम करने में सक्षम है · डेटासेट में सुविधाओं को सामान्यीकृत करने में सक्षम है · मजबूती का स्तर प्रदान करना · किसी भी वर्गीकरण की समस्या के बारे में अनुमान लगा सकते हैं जब तक कि गुण हो सकते हैं एक सार्थक दूरी माप का उपयोग करके तुलना की · निकटतम पड़ोसी तकनीकों जैसे कोडबुक वैक्टर में आयामों की संख्या में सीमित नहीं है · इनपुट डेटा की सामान्यीकरण की आवश्यकता नहीं है (सामान्यीकृत सटीकता में सुधार हो सकता है यदि विशेषता मान बहुत भिन्न होती है) · लापता मानों के साथ डेटा संभाल सकते हैं · उत्पन्न मॉडल को बढ़ाया जा सकता है हैट लर्निंग वेक्टर क्वांटिज़ेशन एल्गोरिदम के कुछ नुकसान हैं? · सभी विशेषताओं के लिए उपयोगी दूरी उपायों को उत्पन्न करने में सक्षम होने की आवश्यकता है (यूक्लिडियन आमतौर पर संख्यात्मक विशेषताओं के लिए उपयोग किया जाता है) · मॉडल सटीकता मॉडल के प्रारंभिकरण के साथ-साथ सीखने पर अत्यधिक निर्भर है प्रयुक्त पैरामीटर (सीखने की दर, प्रशिक्षण पुनरावृत्तियों, इत्यादि) · सटीकता प्रशिक्षण डेटासेट में कक्षा वितरण पर भी निर्भर है, उपयोगी मॉडल बनाने के लिए नमूने का एक अच्छा वितरण आवश्यक है · एक के लिए एक अच्छी संख्या में कोडबुक वैक्टर निर्धारित करना मुश्किल है दी गई समस्या
Weka वर्गीकरण एल्गोरिदम संबंधित सॉफ्टवेयर
