پاورپوینت با موضوع دسته بندی با استفاده از مدل های خطی

پاورپوینت با موضوع دسته بندی با استفاده از مدل های خطی

قبل از خرید حتما توضیحات را کامل مطالعه نمایید

صفحه اصلی
راهنما
محصولات
لیست فروشگاه ها
درباره ما
قوانین
نقشه سایت
تماس با ما

پاورپوینت با موضوع دسته بندی با استفاده از مدل های خطی

10000 قیمت

پاورپوینت با موضوع دسته بندی با استفاده از مدل های خطی

پاورپوینت با موضوع دسته بندی با استفاده از مدل های خطی

 

 

 

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

نوع فایل : .ppt ( قابل ويرايش و آماده پرينت )

تعداد اسلاید : 39 اسلاید

قسمتی از متن .ppt : 

دسته بندی با استفاده از مدل های خطی

دسته بندی

در مسایل دسته بندی یک بردار ورودی X به یکی از K کلاس مجزای Ck اختصاص داده میشود.
برای این کار فضای ورودی به نواحی تصمیم گیری تقسیم بندی میشود که مرزهای آنرا سطوح تصمیم گیری می نامند.
در این فصل مدل هایی بررسی میشوند که سطوح تصمیم گیری از توابع خطی تشکیل میشوند. برای جدا سازی فضای ورودی D بعدی از ابرصفحه های D-1 بعدی استفاده میشود.

مسایل جداپذیر خطی

مجموعه داده هایی که با یک سطح تصمیم گیری خطی جداپذیر هستند linearly separable یا جداپذیر خطی نامیده میشوند.
یک دسته بندی کننده خطی برای دسته بندی داده ها از ترکیب خطی ویژگی ها استفاده میکند.
دسته بندی کننده خطی بسیار سریع عمل میکند و برای داده ها با ابعاد بالا کارائی خوبی دارد. (البته درخت تصمیم میتواند سریعتر عمل نماید.)

دو روش کلی برای تعیین پارامترهای دسته بندی کننده های خطی وجود دارد:
 Generative models
این روش ها بر اساس مدل سازی توابع چگالی شرطی عمل میکنند نظیر
Naive Bayes classifier  که در آن از فرض استقلال شرطی استفاده میشود.
discriminative models
در این روش ها از یک مدل جدا کننده استفاده میشود که سعی در افزایش کیفیت خروجی بر اساس داده های آموزشی دارد. نظیر:
Logistic regression
که در آن مدل بر این اساس بدست می آید که داده مشاهده شده توسط مدلی ساخته شده که توسط خروجی قابل توصیف است
Perceptron
که در آن سعی در کاهش خطای مشاهده شده در داده آموزشی است
Support vector machine
که در آن سعی در افزایش فاصله مرزی سطوح تصمیم گیری و داده های آموزشی است

فهرست مطالب و اسلایدها:

دسته بندی

مسایل جدا پذیر خطی

تقسیم بندی مدلها به صورت احتمالاتی

تابع هدف

تبدیل رگراسیون خطی به دسته بندی کننده خطی

تابع جداساز

مسایل چند کلاسی

اثبات محدب بودن سطوح تصمیم گیری

دسته بندی با استفاده از کمترین مربع خطا

تعیین پارامترها با استفاده از روش  Least squares

معایب روش least sqaure

ایده اصلی فیشر

فرمول فیشر

ارتباط فیشر با حداقل مربعات

جدا ساز فیشر برای مسایل چند کلاسی

الگوریتم پرسپترون

قانون یادگیری پرسپترون

محدودیت های پرسپترون

خلاصه


خرید

پرداخت آنلاین
mouse corsair

دوره استراتژی قدرتمند PTC

299,000 تومان

مشاهده دوره