Estudo comparativo de métodos de classificação definidos
Aplicação de Adaboosting e Random Forest a bases de dados binárias e multiclasse
Versandkostenfrei!
Versandfertig in 6-10 Tagen
29,99 €
inkl. MwSt.
PAYBACK Punkte
15 °P sammeln!
Os métodos de conjunto baseiam-se na ideia de combinar as previsões de vários classificadores para uma melhor generalização e para compensar as possíveis deficiências dos preditores individuais.Duas famílias de métodos podem ser distinguidas: Métodos paralelos (Ensacamento, Florestas aleatórias) em que o princípio é fazer a média de várias previsões na esperança de um melhor resultado após a redução da variância do estimador médio.Métodos sequenciais (Boosting) em que os parâmetros são adaptados iterativamente para produzir uma melhor mistura.Neste trabalho, argumentam...
Os métodos de conjunto baseiam-se na ideia de combinar as previsões de vários classificadores para uma melhor generalização e para compensar as possíveis deficiências dos preditores individuais.Duas famílias de métodos podem ser distinguidas: Métodos paralelos (Ensacamento, Florestas aleatórias) em que o princípio é fazer a média de várias previsões na esperança de um melhor resultado após a redução da variância do estimador médio.Métodos sequenciais (Boosting) em que os parâmetros são adaptados iterativamente para produzir uma melhor mistura.Neste trabalho, argumentamos que quando os membros de um preditor cometem erros diferentes é possível reduzir os exemplos mal classificados em comparação com um único preditor. O desempenho obtido será comparado utilizando critérios tais como taxa de classificação, sensibilidade, especificidade, recolha, etc.
Andere Kunden interessierten sich für
