Selezione delle funzionalità utilizzando l'algoritmo genetico per migliorare il classificatore SVM
Versandkostenfrei!
Versandfertig in 6-10 Tagen
35,99 €
inkl. MwSt.
PAYBACK Punkte
18 °P sammeln!
Questo libro fornisce algoritmi di classificazione come Support Vector Machine e Genetic Algorithm utilizzati per trovare l'accuratezza della classificazione per il set di dati del Wisconsin Breast Cancer. Il set di dati di riferimento, Wisconsin Breast Cancer dataset, è ottenuto da UCI Machine Learning Repository. Il set di dati è composto da 699 istanze divise in 2 classi, ovvero benigna e maligna, ciascuna con 11 attributi. Le macchine vettoriali di supporto (SVM) sono un insieme di metodi di apprendimento supervisionato correlati utilizzati per la classificazione. Un modello SVM di class...
Questo libro fornisce algoritmi di classificazione come Support Vector Machine e Genetic Algorithm utilizzati per trovare l'accuratezza della classificazione per il set di dati del Wisconsin Breast Cancer. Il set di dati di riferimento, Wisconsin Breast Cancer dataset, è ottenuto da UCI Machine Learning Repository. Il set di dati è composto da 699 istanze divise in 2 classi, ovvero benigna e maligna, ciascuna con 11 attributi. Le macchine vettoriali di supporto (SVM) sono un insieme di metodi di apprendimento supervisionato correlati utilizzati per la classificazione. Un modello SVM di classificazione tenta di separare le classi di destinazione con il margine più ampio possibile. In SVM, la funzione base radiale e la funzione kernel polinomiale vengono utilizzate per calcolare l'accuratezza della classificazione e il tempo di esecuzione. La selezione delle funzioni viene utilizzata per migliorare l'accuratezza del classificatore SVM. In GA, l'algoritmo genetico codificato intero e binario viene utilizzato anche per calcolare l'accuratezza della classificazione e il tempo di esecuzione. L'algoritmo genetico con codice intero viene utilizzato per selezionare caratteristiche importanti e rilevanti per la classificazione. L'algoritmo genetico codificato binario può essere applicato a molti problemi di ottimizzazione che contengono stringhe binarie per le variabili.
Andere Kunden interessierten sich für
