Entwicklung eines Algorithmus für lineare Klassifikationsbäume
Versandkostenfrei!
Versandfertig in 1-2 Wochen
47,95 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Diplomarbeit aus dem Jahr 1996 im Fachbereich Informatik - Künstliche Intelligenz, Note: 1.5, Albert-Ludwigs-Universität Freiburg (Institut für Informatik), Sprache: Deutsch, Abstract: Klassifikationsbäume sind schon seit den frühen 70er Jahren Gegenstand wissenschaftlicher Forschung. Ihre Einfachheit in der Interpretation und ihre Schnelligkeit haben sie in den verschiedensten Gebieten bekannt gemacht. Mittlerweile existieren Beiträge aus der Mustererkennung, den neuronalen Netzen, der Statistik und ganz besonders dem Maschinellen Lernen. In all diesen Bereichen werden sie mit Erfolg ei...
Diplomarbeit aus dem Jahr 1996 im Fachbereich Informatik - Künstliche Intelligenz, Note: 1.5, Albert-Ludwigs-Universität Freiburg (Institut für Informatik), Sprache: Deutsch, Abstract: Klassifikationsbäume sind schon seit den frühen 70er Jahren Gegenstand wissenschaftlicher Forschung. Ihre Einfachheit in der Interpretation und ihre Schnelligkeit haben sie in den verschiedensten Gebieten bekannt gemacht. Mittlerweile existieren Beiträge aus der Mustererkennung, den neuronalen Netzen, der Statistik und ganz besonders dem Maschinellen Lernen. In all diesen Bereichen werden sie mit Erfolg eingesetzt und es gibt Anwendungen zum Beispiel in der Medizin, Astronomie und Psychologie. Eine neue Methode zum Bau von Klassifikationsbäumen sind Diskriminanzbäume. Sie verwenden eine lineare Diskriminanzanalyse, um die Splitts zu berechnen, was zu kleineren und genaueren Bäumen führt als bei konventionellen Methoden. Die Diskriminanzbäume wurden in einer Reihe von Experimenten mit anderen Methoden verglichen und zeigten in den meisten Fällen eine bessere Leistung. Die Diskriminanzbäume sind ein vielversprechender neuer Ansatz zum Bau von Klassifikationsbäumen. Sie sind kleiner, genauer, schneller und robuster gegen Überanpassung als konventionelle Methoden.
Andere Kunden interessierten sich für
