Klassifikatoren des maschinellen Lernens &Klassifikator-Beispiele
Verbesserung der Klassifizierung der Bodenbedeckung
Versandkostenfrei!
Versandfertig in 6-10 Tagen
43,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Es gibt eine Reihe von Algorithmen des maschinellen Lernens (ML) zur Klassifizierung von Bodenbedeckung und Bodennutzung. In diesem Buch konzentrieren wir uns auf die relativ ausgereiften Methoden (sieben Methoden) Support-Vector-Maschinen (SVM), Entscheidungsbäume (DTs), künstliche neuronale Netze, k-nearest neighbours (k-NN), naive Bayes, Boosting und Random Forest (RF).Die genaue und zeitnahe Erfassung von Informationen zur Flächennutzung und Bodenbedeckung in Städten ist für viele Aspekte der Stadtentwicklung und des Umweltschutzes von entscheidender Bedeutung.Die genaue Klassifizieru...
Es gibt eine Reihe von Algorithmen des maschinellen Lernens (ML) zur Klassifizierung von Bodenbedeckung und Bodennutzung. In diesem Buch konzentrieren wir uns auf die relativ ausgereiften Methoden (sieben Methoden) Support-Vector-Maschinen (SVM), Entscheidungsbäume (DTs), künstliche neuronale Netze, k-nearest neighbours (k-NN), naive Bayes, Boosting und Random Forest (RF).Die genaue und zeitnahe Erfassung von Informationen zur Flächennutzung und Bodenbedeckung in Städten ist für viele Aspekte der Stadtentwicklung und des Umweltschutzes von entscheidender Bedeutung.Die genaue Klassifizierung der Bodenbedeckung ist eine Herausforderung. Die Verbesserung der Bodenbedeckungsklassifizierung ist ein aktuelles Thema. Sie wird für viele Anwendungen benötigt, z. B. für die Kartierung der Bodennutzung und -bedeckung, die Umweltüberwachung, die Bewirtschaftung natürlicher Ressourcen, die Stadtplanung und -verwaltung sowie die Erkennung von Veränderungen. Anschließend wurde eine Reihe von Methoden untersucht, um verschiedene Klassifikatoren zu kombinieren.
Andere Kunden interessierten sich für
