Klasyfikator Hierarchiczny z nakładającymi się grupami klas

Igor Podolak

Uzyskaj dostęp

Zakup książkę

ISBN/ISSN:

978-83-233-3444-6

DOI:

Wydawnictwo:

Wydawnictwo Uniwersytetu Jagiellońskiego

Rok wydania:

2012

Liczba stron:

150

XML:ISBN/ISSN:

ONIX MARC21

Bibliografia:

Podolak, Igor. Klasyfikator Hierarchiczny z nakładającymi się grupami klas. Red. . Kraków: Wydawnictwo Uniwersytetu Jagiellońskiego, 2012, 150 s. ISBN 978-83-233-3444-6

Bibliografia refWorks:

RT Book, Whole

SR Electronic(1)

A1 Podolak, I.

T1 Klasyfikator Hierarchiczny z nakładającymi się grupami klas

PB Wydawnictwo Uniwersytetu Jagiellońskiego

PP Kraków

YR 2012

SN 978-83-233-3444-6

Bibliografia BibTex:

@Book{ 145411, author = "Podolak, Igor", editor = "", title = "Klasyfikator Hierarchiczny z nakładającymi się grupami klas", publisher = "Wydawnictwo Uniwersytetu Jagiellońskiego", year = "2012", address = "Kraków", isbn = "978-83-233-3444-6" }

Bibliografia endNote:

TY - BOOK

AU - Podolak, Igor

ED -

TI - Klasyfikator Hierarchiczny z nakładającymi się grupami klas

PB - Wydawnictwo Uniwersytetu Jagiellońskiego

CY - Kraków

PY - 2012

SN - 978-83-233-3444-6

ER -

Netografia (standard APA):

Podolak, Igor. Klasyfikator Hierarchiczny z nakładającymi się grupami klas [baza danych online] Kraków: Wydawnictwo Uniwersytetu Jagiellońskiego, 2012 [dostęp: 03 05 2024]. Dostęp w Ibuk Libra: https://libra.ibuk.pl/reader/klasyfikator-hierarchiczny-z-nakladajacymi-sie-grupami-klas-igor-podolak-145411.

klastry, Klasyfikator Hierarchiczny HCOC, klastrowanie, klasyfikacja obiektów

W czasach, gdy ilość i rozmiar danych stają się ogromne, istnieje duże zapotrzebowanie na podejścia do klasyfikacji, które będą skuteczne w rozwiązywaniu takich problemów. W niniejszej pracy przedstawiono algorytmy i związane z nimi zagadnienia wi...

Więcej

ISBN/ISSN:

978-83-233-3444-6

DOI:

Wydawnictwo:

Wydawnictwo Uniwersytetu Jagiellońskiego

Rok wydania:

2012

Liczba stron:

150

XML:ISBN/ISSN:

ONIX MARC21

Spis rysunków8
Spis tabel10
Wprowadzenie12
Wstęp14
1. Podział zadania klasyfikacji22
1.1. Klasyfikator23
1.2. Podział przestrzeni klas23
1.2.1. Losowa symulacja klasyfikatora dla podproblemu28
1.2.2. Symulacja z wykorzystaniem prawa Bayesa30
1.2.3. Wykorzystanie ewaluacji ryzyka w rzeczywistym problemie32
1.3. Wykorzystanie słabych klasyfikatorów37
2. Klasyfikator Hierarchiczny HCOC46
2.1. Podział przestrzeni wyjściowej klas46
2.1.1. Klastry i ich nakładanie się50
2.2. Definicja HCOC51
2.2.1. Macierz klastrowania F53
2.3. Ewaluacja klasyfikatora HCOC59
2.3.1. Agregacja wyników klasyfikacji w modelach złożonych59
2.3.2. Wagi klastrów HCOC60
2.3.3. Ewaluacja poddrzew62
2.3.4. Zależność wag klastrów od składowych klas68
2.4. HCOC jako rozwiązanie zadania przez podział70
2.4.1. Klasyfikacja przykładów73
2.5. Nauczanie pojedynczych węzłów76
2.6. Zadanie klastrowania78
2.6.1. Rozszerzenie algorytmu klastrowania aglomeratywnego79
2.6.2. Bayesowskie podejście do klastrowania80
2.6.3. Urównoleglenie klastrowania przy wykorzystaniu algorytmu Rosnacego Gazu Neuronowego GNG83
2.6.4. Wykorzystanie metod genetycznych dla klastrowania86
2.6.5. Inne funkcje dopasowania87
2.6.6. Alternatywne klastrowanie dla lasu drzew decyzyjnych89
2.6.7. Problem zapewnienia różnorodności klasyfikatorów90
2.7. Zbieżność nauczania HCOC92
2.7.1. HCOC jako złożony klasyfikator92
2.7.2. Błąd HCOC a słabość klasyfikatorów bazowych97
2.7.3. Zależność błędu HCOC od błędu generalizacji97
3. Eksperymenty i doświadczenia102
3.1. Eksperyment Mixture of Gaussians dla wielu klas wyjściowych102
3.2. Rozpoznawanie przedmiotów z bazy COIL i porównanie z innym modelem hierarchicznym106
3.3. Zbiory porównawcze z repozytoriów107
3.4. Klasyfikacja tekstur107
3.5. Zastosowania w teorii automatów109
3.6. Rozpoznawanie twarzy112
3.7. Ekstrakcja reguł115
Zakończenie120
Dodatek A. Problemy nauczania maszynowego122
A.1. Nadzorowane nauczanie maszynowe122
A.2. Atrybuty przykładów uczących122
A.3. Funkcje kosztu i ryzyka123
A.4. Klasyfikatory „monolityczne”124
A.5. Klasyfikatory złożone126
A.6. Agregacja wyników128
A.7. Sposoby selekcji końcowej klasy130
A.8. Podejścia przy aglomeratywnym klastrowaniu130
A.10.Niektóre miary różnorodności131
A.9. Algorytm GNG131
A.11.Rozkład Beta133
A.12.Rozkład Dirichleta134
A.13.Walidacja krzyżowa i błąd Err(^0.632)135
Bibliografia138
Skorowidz pojęc148