Andere Kunden interessierten sich auch für
![Clasificación de cultivos frutales mediante técnicas de aprendizaje automático]( "Clasificación de cultivos frutales mediante técnicas de aprendizaje automático")
Clasificación de cultivos frutales mediante técnicas de aprendizaje automático26,99 €![Clasificación de la infección por dengue mediante aprendizaje automático]( "Clasificación de la infección por dengue mediante aprendizaje automático")
Clasificación de la infección por dengue mediante aprendizaje automático30,99 €![Mejora de la clasificación para detectar enfermedades en la sangre humana]( "Mejora de la clasificación para detectar enfermedades en la sangre humana")
Mejora de la clasificación para detectar enfermedades en la sangre humana34,99 €![Detección del cáncer de pulmón mediante un método de clasificación híbrido]( "Detección del cáncer de pulmón mediante un método de clasificación híbrido")
Detección del cáncer de pulmón mediante un método de clasificación híbrido26,99 €![Mejora del algoritmo de clasificación por burbujas y selección]( "Mejora del algoritmo de clasificación por burbujas y selección")
Mejora del algoritmo de clasificación por burbujas y selección25,99 €![Detección y clasificación de tumores de pulmón]( "Detección y clasificación de tumores de pulmón")
Detección y clasificación de tumores de pulmón27,99 €![Análisis de señales neurológicas para la clasificación]( "Análisis de señales neurológicas para la clasificación")
Análisis de señales neurológicas para la clasificación36,99 €
El objetivo de este libro es desarrollar un modelo que clasifique si un determinado sitio web es legítimo o malicioso utilizando metodologías de aprendizaje automático y determinar si el aumento del conjunto de características de un modelo conduce a un aumento de su rendimiento. Los autores utilizaron tres casos distintos para generar un modelo óptimo, cada caso difiere en el número de características utilizadas en el conjunto de datos. En el primer caso se utilizó el conjunto de datos base u original. En el segundo caso se utilizó un conjunto de características ampliado. Se utilizó un algoritmo de selección de características en el conjunto de características ampliado para crear un nuevo conjunto de datos para el tercer caso. Los clasificadores utilizados para generar los modelos son Random Forest, J48, C-SVC y kNN. El resultado mostró un aumento del rendimiento al comparar los modelos del primer caso con los del segundo. No se observó ningún cambio significativo cuando se compararon los modelos del segundo caso con los del tercero. El estudio demostró que existe una relación directamente proporcional entre el número de características de un modelo y su rendimiento. La ampliación del número de características del conjunto de datos conduce a un aumento del rendimiento de cada modelo.