دانلود کتاب سیستم های طبقه بندی مبتنی بر مجموعه خشن بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : Rough Set–Based Classification Systems
ویرایش : 1st ed.
عنوان ترجمه شده به فارسی : سیستم های طبقه بندی مبتنی بر مجموعه خشن
سری : Studies in Computational Intelligence 802
نویسندگان : Robert K. Nowicki
ناشر : Springer International Publishing
سال نشر : 2019
تعداد صفحات : 198
ISBN (شابک) : 9783030038946 , 9783030038953
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 11 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
این کتاب یک مفهوم اصلی را برای اجرای نظریه مجموعههای خشن در ساخت سیستمهای تصمیمگیری نشان میدهد. به سه نوع تصمیم می پردازد، از جمله تصمیماتی که در آنها اطلاعات یا داده های ورودی کافی نیست. اگرچه تصمیمگیری و طبقهبندی در مواردی که دادههای گمشده یا نادرست دارند، یک کار رایج است، سیستمهای تصمیمگیری کلاسیک به طور طبیعی با آن سازگار نیستند. یک راه حل این است که تئوری مجموعه های ناهموار پیشنهاد شده توسط پروفسور پاولاک را اعمال کنیم.
طبقه بندی کننده های پیشنهادی در دو پیکربندی اعمال و آزمایش می شوند: حالت اول یک حالت تکراری است که در آن یک سیستم طبقه بندی منفرد درخواست تکمیل داده های ورودی را تا زمان یکسانی می دهد. تصمیم (طبقه بندی) به دست می آید. این به ما اجازه میدهد تا فرآیندهای طبقهبندی را با استفاده از دادههای ورودی بسیار محدود و تکمیل آنها فقط در صورت نیاز آغاز کنیم، که هزینههای به دست آوردن دادهها را محدود میکند. پیکربندی دوم یک حالت مجموعه ای است که در آن چندین سیستم طبقه بندی مبتنی بر مجموعه خشن به طور جمعی به تصمیم صریح دست می یابند، حتی اگر سیستم ها به طور جداگانه نمی توانند چنین نتایجی را ارائه دهند.
This book demonstrates an original concept for implementing the rough set theory in the construction of decision-making systems. It addresses three types of decisions, including those in which the information or input data is insufficient. Though decision-making and classification in cases with missing or inaccurate data is a common task, classical decision-making systems are not naturally adapted to it. One solution is to apply the rough set theory proposed by Prof. Pawlak.
The proposed classifiers are applied and tested in two configurations: The first is an iterative mode in which a single classification system requests completion of the input data until an unequivocal decision (classification) is obtained. It allows us to start classification processes using very limited input data and supplementing it only as needed, which limits the cost of obtaining data. The second configuration is an ensemble mode in which several rough set-based classification systems achieve the unequivocal decision collectively, even though the systems cannot separately deliver such results.