 | Weka 분류 알고리즘WEKA 분류 알고리즘은 WEKA 플러그인입니다. |
| 지금 다운로드 | |
Weka 분류 알고리즘 순위 및 요약
광고
Weka 분류 알고리즘 태그
Weka 분류 알고리즘 설명
Weka 분류 알고리즘은 Weka 플러그인입니다. Weka 분류 알고리즘은 Weka Plugn-In입니다. 인공 네트워크 (Ann) 및 인공 면역 시스템 (AIA) 기반 분류 알고리즘 (지식 분석을위한 Waikato 환경) 기계 학습 워크 벤치 (Weka 플랫폼)에 대한 구현을 제공합니다. 우수한 자유 소프트웨어를 생각하기 때문에 선택한 알고리즘의 구현을 위해 선택되었습니다. WEKA 프로젝트는이 프로젝트에서 제공되는 알고리즘을 실행하고 다운로드에 포함되어야합니다. 이것은 오픈 소스 프로젝트 (GPL 하에서 출시)이므로 소스 코드가 가능합니다. 알고리즘 : · 벡터 양자화 (LVQ) 학습 · 자체 조직지도 (SOM) · 피드 - 전달 인공 신경망 (FF-ANN) · 인공 면역 인식 시스템 (AIRS) · 클론치 선택 알고리즘 (CLALANG) · Immunos-81은 벡터 양자화를 배우는 것입니다. · 경쟁력있는 학습 알고리즘은 Kohonen의 자체 조직지도 (SOM) 알고리즘의 감독 버전이고 알고리즘의 목표 알고리즘이 분류 오류를 최소화하려고하는 코드북 벡터의 수가 줄어들고있는 클래스의 배포를 대략적으로 대략적으로 대략적으로 대략적으로 · 클래스 경계를 나타내는 특정 클래스에 대한 예시가됩니다. · 알고리즘은 데이터 집합의 지형 순서를 구성하지 않습니다. (SOM 알고리즘에 있으므로 LVQ에 명시적인 이웃의 개념이 없습니다.) · 1986 년 코폰이 라벨이있는 벡터 양자화에 대한 개선으로 제안되었습니다 · A LGorithm은 학습 알고리즘의 신경 네트워크 클래스와 관련되어 있지만, 뒷면 전파와 같은 종래의 피드 포워드 네트워크와 비교하여 상당히 다르게 다르게 다르게 작동합니까? · 모델은 다른 신경망 기술보다 훨씬 빠르게 훈련되었습니다. 전파 · 분류 또는 시각화에 적합한 코드북 벡터의 적은 수의 코드북 벡터를 요약하거나 줄일 수 있습니다. 의미있는 거리 측정을 사용하여 비교하십시오. · 가장 가까운 이웃 기술과 같은 코드북 벡터의 치수 수가 제한되지 않음 · 입력 데이터의 정규화가 필요하지 않습니다 (정규화 된 값이 크게 변하면 정확도가 향상 될 수 있음) · 누락 된 값으로 데이터를 처리 할 수 있습니다 · 생성 된 모델은 증분 릴리즈를 업데이트 할 수 있습니다 모자는 학습 벡터 양자화 알고리즘의 몇 가지 단점입니다. · 모든 속성에 유용한 거리 측정 값을 생성 할 수 있어야합니다 (유클리드는 일반적으로 숫자 속성에 사용됨) · 모델 정확도는 모델의 초기화와 학습에도 크게 의존합니다. 사용 된 매개 변수 (학습 속도, 교육 반복, Eccetera) · 정확도는 교육 데이터 세트의 클래스 배포에 따라 다르므로 유용한 모델을 구성하기 위해 샘플 배포가 필요합니다. · 좋은 수의 코드북 벡터를 결정하기가 어렵습니다. 문제가 주어진다
Weka 분류 알고리즘 관련 소프트웨어
