دانلود کتاب Verbesserung von Klassifikationsverfahren: Informationsgehalt der k-Nächsten-Nachbarn nutzen
کتاب بهبود روش‌های طبقه‌بندی: از محتوای اطلاعاتی k-نزدیکترین همسایه‌ها استفاده کنید نسخه زبان اصلی
دانلود کتاب بهبود روش‌های طبقه‌بندی: از محتوای اطلاعاتی k-نزدیکترین همسایه‌ها استفاده کنید بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب Verbesserung von Klassifikationsverfahren: Informationsgehalt der k-Nächsten-Nachbarn nutzen
نام کتاب : Verbesserung von Klassifikationsverfahren: Informationsgehalt der k-Nächsten-Nachbarn nutzen
ویرایش : 1
عنوان ترجمه شده به فارسی : بهبود روش‌های طبقه‌بندی: از محتوای اطلاعاتی k-نزدیکترین همسایه‌ها استفاده کنید
سری : BestMasters
نویسندگان : Dominik Koch
ناشر : Springer Spektrum
سال نشر : 2015
تعداد صفحات : 242
ISBN (شابک) : 3658114754 , 9783658114756
زبان کتاب : German
فرمت کتاب : pdf
حجم کتاب : 2 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.
توضیحاتی در مورد کتاب :
دومینیک کوخ در مطالعات خود نشان می دهد که با کمک k-نزدیک ترین همسایگان می توان نتایج سایر روش های طبقه بندی را به گونه ای بهبود بخشید که آنها یک بار دیگر با جنگل تصادفی غالباً غالب رقابت کنند. روش k نزدیکترین همسایه توسعه یافته توسط فیکس و هاجز یکی از ساده ترین و در عین حال شهودی ترین روش های طبقه بندی است. با این وجود، در بیشتر موارد می‌تواند نتایج طبقه‌بندی نسبتاً خوبی را ارائه دهد. این محتوای اطلاعاتی k-نزدیکترین همسایه‌ها می‌تواند برای بهبود روش‌های از قبل ایجاد شده استفاده شود. این کتاب اثرات k-نزدیکترین همسایه‌ها را بر رویکرد تقویت، کمند، و جنگل تصادفی در رابطه با مسائل طبقه‌بندی باینری مورد بحث قرار می‌دهد.
فهرست مطالب :
Front Matter....Pages 1-22
Datenstruktur und Notation....Pages 3-17
Klassifikationsverfahren....Pages 19-60
Simulierte Datensätze....Pages 61-82
Reale Datensätze....Pages 83-100
Back Matter....Pages 101-224
توضیحاتی در مورد کتاب به زبان اصلی :
Dominik Koch weist in seinen Studien nach, dass es mit Hilfe der k-Nächsten-Nachbarn möglich ist, die Ergebnisse anderer Klassifikationsverfahren so zu verbessern, dass sie wieder eine Konkurrenz zu dem meist dominierenden Random Forest darstellen. Das von Fix und Hodges entwickelte k-Nächste–Nachbarn-Verfahren ist eines der simpelsten und zugleich intuitivsten Klassifikationsverfahren. Nichtsdestotrotz ist es in den meisten Fällen in der Lage, ziemlich gute Klassifikationsergebnisse zu liefern. Diesen Informationsgehalt der k-Nächsten-Nachbarn kann man sich zu Nutze machen, um bereits etablierte Verfahren zu verbessern. In diesem Buch werden die Auswirkungen der k-Nächsten-Nachbarn auf den Boosting-Ansatz, Lasso und Random Forest in Bezug auf binäre Klassifikationsprobleme behandelt.