Andere Kunden interessierten sich auch für
![Consapevolezza delle intrusioni di rete mediante fusione di dati e classificazione SVM]( "Consapevolezza delle intrusioni di rete mediante fusione di dati e classificazione SVM")
Consapevolezza delle intrusioni di rete mediante fusione di dati e classificazione SVM29,99 €![Auswahl wichtiger Symptome für medizinische Datensätze]( "Auswahl wichtiger Symptome für medizinische Datensätze")
Auswahl wichtiger Symptome für medizinische Datensätze35,90 €![Sélection des symptômes importants pour les ensembles de données médicales]( "Sélection des symptômes importants pour les ensembles de données médicales")
Sélection des symptômes importants pour les ensembles de données médicales23,99 €![Selecção Sintomas importantes para conjuntos de dados médicos]( "Selecção Sintomas importantes para conjuntos de dados médicos")
Selecção Sintomas importantes para conjuntos de dados médicos23,99 €![Vybor wazhnyh simptomow dlq medicinskih naborow dannyh]( "Vybor wazhnyh simptomow dlq medicinskih naborow dannyh")
Vybor wazhnyh simptomow dlq medicinskih naborow dannyh13,99 €![Selection Important Symptoms for Medical Datasets]( "Selection Important Symptoms for Medical Datasets")
Selection Important Symptoms for Medical Datasets23,99 €![Strategie di apprendimento automatico per il diabete di tipo 2 Classificazione del diabete]( "Strategie di apprendimento automatico per il diabete di tipo 2 Classificazione del diabete")
Strategie di apprendimento automatico per il diabete di tipo 2 Classificazione del diabete29,99 €
La selezione di caratteristiche ottimali è un'importante area di ricerca nei sistemi di data mining medico. In questa ricerca viene introdotta una procedura efficiente - selezione del sottoinsieme di caratteristiche, classificazione e classificazione delle caratteristiche - chiamata Analisi delle Componenti Principali basata sul metodo JK per migliorare l'accuratezza del rilevamento e la selezione del sottoinsieme di caratteristiche ottimali. Il metodo proposto regola un parametro denominato "copertura della varianza" e costruisce il modello con il valore al quale si ottiene la massima accuratezza di classificazione. Ciò facilita la selezione di un insieme compatto di caratteristiche di qualità superiore, a un costo molto basso. L'ampio confronto sperimentale tra il metodo proposto e altri metodi utilizzando tre diversi classificatori (Naïve Bayes (NB), perceptron multistrato (MLP) e albero decisionale J48) e 6 diversi set di dati medici può confermare che la strategia proposta (PCA-JK) dà risultati promettenti sulla selezione delle caratteristiche e sull'accuratezza della classificazione per il campo di ricerca del data mining medico.