Selezione delle funzionalità utilizzando l'algoritmo genetico per migliorare il classificatore SVM - Devaraj, Nithya
36,99 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 6-10 Tagen
  • Broschiertes Buch

Questo libro fornisce algoritmi di classificazione come Support Vector Machine e Genetic Algorithm utilizzati per trovare l'accuratezza della classificazione per il set di dati del Wisconsin Breast Cancer. Il set di dati di riferimento, Wisconsin Breast Cancer dataset, è ottenuto da UCI Machine Learning Repository. Il set di dati è composto da 699 istanze divise in 2 classi, ovvero benigna e maligna, ciascuna con 11 attributi. Le macchine vettoriali di supporto (SVM) sono un insieme di metodi di apprendimento supervisionato correlati utilizzati per la classificazione. Un modello SVM di…mehr

Andere Kunden interessierten sich auch für
Produktbeschreibung
Questo libro fornisce algoritmi di classificazione come Support Vector Machine e Genetic Algorithm utilizzati per trovare l'accuratezza della classificazione per il set di dati del Wisconsin Breast Cancer. Il set di dati di riferimento, Wisconsin Breast Cancer dataset, è ottenuto da UCI Machine Learning Repository. Il set di dati è composto da 699 istanze divise in 2 classi, ovvero benigna e maligna, ciascuna con 11 attributi. Le macchine vettoriali di supporto (SVM) sono un insieme di metodi di apprendimento supervisionato correlati utilizzati per la classificazione. Un modello SVM di classificazione tenta di separare le classi di destinazione con il margine più ampio possibile. In SVM, la funzione base radiale e la funzione kernel polinomiale vengono utilizzate per calcolare l'accuratezza della classificazione e il tempo di esecuzione. La selezione delle funzioni viene utilizzata per migliorare l'accuratezza del classificatore SVM. In GA, l'algoritmo genetico codificato intero e binario viene utilizzato anche per calcolare l'accuratezza della classificazione e il tempo di esecuzione. L'algoritmo genetico con codice intero viene utilizzato per selezionare caratteristiche importanti e rilevanti per la classificazione. L'algoritmo genetico codificato binario può essere applicato a molti problemi di ottimizzazione che contengono stringhe binarie per le variabili.
Autorenporträt
D. Nithya recibió la licenciatura en CSE en 2008 y la maestría en CSE en 2010 de la Universidad Avinashilingam, Coimbatore. Actualmente es profesora asistente en el Departamento de CSE, Escuela de Ingeniería, Universidad Avinashlingam, Coimbatore, India desde 2010. Actualmente está trabajando para obtener un doctorado en CSE de la Universidad Avinashiingam,