Estrazione di dati di oggetti utilizzando l'algoritmo genetico
Versandkostenfrei!
Versandfertig in 6-10 Tagen
26,99 €
inkl. MwSt.
PAYBACK Punkte
13 °P sammeln!
Le reti neurali artificiali (ANN) sono diventate un potente strumento nel processo decisionale. Ha molte qualità, che possono facilmente attirare l'utente come la capacità di 'imparare da diversi dati dinamici che si ottiene attraverso la regolazione interna del peso, facile e veloce nel calcolo, fornisce una soluzione robusta in presenza di rumore e fornisce una soluzione accurata quando viene utilizzato su un insieme di esempio precedentemente non visto dal dominio problema. Tuttavia, ha un grande svantaggio di lavoro, come la tecnologia della "scatola nera" che è l'input viene fornito a ...
Le reti neurali artificiali (ANN) sono diventate un potente strumento nel processo decisionale. Ha molte qualità, che possono facilmente attirare l'utente come la capacità di 'imparare da diversi dati dinamici che si ottiene attraverso la regolazione interna del peso, facile e veloce nel calcolo, fornisce una soluzione robusta in presenza di rumore e fornisce una soluzione accurata quando viene utilizzato su un insieme di esempio precedentemente non visto dal dominio problema. Tuttavia, ha un grande svantaggio di lavoro, come la tecnologia della "scatola nera" che è l'input viene fornito a una rete addestrata, che ha elaborato in modo opaco. A causa di questa trasparenza mancante, le strutture di rete sono confuse. Insieme a questo, le reti a strati multipli e ricorrenti complicano i problemi, specialmente quando gli algoritmi genetici producono i pesi delle RNA, poiché è necessaria una conoscenza diretta del funzionamento concreto. Alcune tecniche come CART e C 4.5 hanno prodotto modelli trasparenti che forniscono risultati comprensibili, ma non sono così accurati. Vorremmo mostrare alcune prospettive sull'estrazione di regole (RE) attraverso le quali possiamo aggiungere strutture di spiegazione alle ANN.
Andere Kunden interessierten sich für
