Algoritmos de clasificación Weka Los algoritmos de clasificación Weka es un complemento WEKA.
Descargar ahora

Algoritmos de clasificación Weka Clasificación y resumen

Algoritmos de clasificación Weka Etiquetas

algoritmo clasificación Weka algoritmo de clasificación Weka plug-in Red neuronal artificial

Algoritmos de clasificación Weka Descripción

Los algoritmos de clasificación Weka es un plug-in Weka. Weka Clasificación Algorithms es un plug -in.it Proporciona una implementación para una serie de algoritmos de clasificación basados ​​en la red de neuronal (ANN) y del sistema inmunológico artificial (AIS) para el Weka (Ambiente de Waikato para el análisis del conocimiento) de la máquina de aprendizaje de la máquina. La plataforma Weka fue seleccionado para la implementación de los algoritmos seleccionados porque creo que es una excelente pieza de software libre. El proyecto WEKA debe ejecutar los algoritmos proporcionados en este proyecto, y se incluye en la descarga. Este es un proyecto de código abierto (lanzado bajo la GPL), por lo que el código fuente está disponible .ALGORITMOS: · Cantidad de vectores de aprendizaje (LVQ) · Mapa de autoorganización (SOM) · Red de neuronales artificiales de avance (FF-ANN) · Artificial Sistema de reconocimiento inmunológico (AIRS) · Algoritmo de selección clonal (Clonalg) · Immunos-81¿Qué es el aprendizaje de la cuantización del vector? · Un algoritmo de aprendizaje competitivo dijo que es una versión supervisada del algoritmo de MAP (SOM) de auto-organización por Kohonen · Objetivo del algoritmo es aproximar la distribución de una clase utilizando un número reducido de vectores de libros de códigos donde el algoritmo busca minimizar los errores de clasificación · Los vectores de libros de códigos se convierten en ejemplos para una clase particular, intentando representar los límites de clase · El algoritmo no construye un orden topográfico del conjunto de datos (No hay concepto de vecindario explícito en LVQ, ya que hay en el algoritmo SOM) · El algoritmo fue propuesto por Kohonen en 1986 como una mejora sobre la cuantificación vectorial etiquetada · la A LGorithm se asocia con la clase neuronal de algoritmos de aprendizaje, aunque funciona significativamente de manera diferente en comparación con las redes de avance convencionales, como la propagación de la espalda, ¿cuálos son algunas de las ventajas del algoritmo de cuantización del vector de aprendizaje? · El modelo está capacitado significativamente más rápido que otras técnicas de red neuronal. Propagación · Es capaz de resumir o reducir grandes conjuntos de datos a un número menor de vectores de libros de códigos adecuados para la clasificación o visualización · capaz de generalizar las características en el conjunto de datos que proporciona un nivel de robustez · Puede aproximarse sobre cualquier problema de clasificación siempre que los atributos puedan ser comparado con una medida de distancia significativa · no se limita en el número de dimensiones en los vectores de los libros de códigos como las técnicas de vecinos más cercanas · No se requiere la normalización de los datos de entrada (normalizado puede mejorar la precisión si los valores de atributos varían enormemente), pueden manejar datos con valores faltantes · El modelo generado se puede actualizar incrementalmente. ¿Los sombreros son algunas desventajas del algoritmo de cuantización del vector de aprendizaje? · Necesidad de poder generar medidas de distancia útiles para todos los atributos (Euclidean se usa generalmente para atributos numéricos) · La precisión del modelo depende en gran medida de la inicialización del modelo, así como el aprendizaje. Parámetros utilizados (tasa de aprendizaje, iteraciones de capacitación, etcétera) · La precisión también depende de la distribución de la clase en el conjunto de datos de capacitación, se necesita una buena distribución de muestras para construir modelos útiles · Es difícil determinar un buen número de vectores de libros de códigos para un problema dado

Algoritmos de clasificación Weka Software relacionado