39,90 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 6-10 Tagen
  • Broschiertes Buch

Diese Arbeit ist Teil des statistischen Lernens von Daten für die Modellentwicklung. Genauer gesagt, widmet es sich der Untersuchung von Zufallswäldern, die einer der neuesten Algorithmen in der Familie der Musterklassifikationsmethoden sind. Ein großer Vorteil von Random Forest ist, dass er sowohl für Klassifikations- als auch für Regressionsprobleme verwendet werden kann, die den Großteil der aktuellen maschinellen Lernsysteme ausmachen. In dieser Arbeit haben wir Coronavirus-Daten verwendet, um das vorgeschlagene Modell zu generieren und zu evaluieren. Wir wählten Zufallswälder, die eine…mehr

Produktbeschreibung
Diese Arbeit ist Teil des statistischen Lernens von Daten für die Modellentwicklung. Genauer gesagt, widmet es sich der Untersuchung von Zufallswäldern, die einer der neuesten Algorithmen in der Familie der Musterklassifikationsmethoden sind. Ein großer Vorteil von Random Forest ist, dass er sowohl für Klassifikations- als auch für Regressionsprobleme verwendet werden kann, die den Großteil der aktuellen maschinellen Lernsysteme ausmachen. In dieser Arbeit haben wir Coronavirus-Daten verwendet, um das vorgeschlagene Modell zu generieren und zu evaluieren. Wir wählten Zufallswälder, die eine einheitliche Mehrheitsabstimmung von Entscheidungsbäumen anwenden, um eine optimale Vorhersage zu erzeugen, um Patienten zu klassifizieren, die positiv oder negativ auf Coronavirus getestet wurden. Die Daten wurden als Trainingsmuster verwendet, um ein Entscheidungsmodell zu entwerfen.
Autorenporträt
Informático. Desde el punto de vista académico, tiene un máster en Ciencias Matemáticas por el Instituto Africano de Ciencias Matemáticas de Kigali (Ruanda) y una licenciatura en Ingeniería Informática por la Universidad de Mbujimayi. Actualmente enseña en la Universidad de Mbujimayi, la Universidad Oficial de Mbujimayi, la Universidad Franco-Americana,...