Andere Kunden interessierten sich auch für
![Die Behandlung von unausgewogenen Klassen mit ensemblistischen Methoden]( "Die Behandlung von unausgewogenen Klassen mit ensemblistischen Methoden")
Die Behandlung von unausgewogenen Klassen mit ensemblistischen Methoden43,90 €![Ansatz zur Vorhersage von Herzkrankheiten durch Rough Fuzzy Classifier]( "Ansatz zur Vorhersage von Herzkrankheiten durch Rough Fuzzy Classifier")
Ansatz zur Vorhersage von Herzkrankheiten durch Rough Fuzzy Classifier71,90 €![Klassifizierung der Gangart bei Parkinson-Patienten]( "Klassifizierung der Gangart bei Parkinson-Patienten")
Klassifizierung der Gangart bei Parkinson-Patienten49,90 €![KONSTRUKTION EINES MODELLS BASIEREND AUF DEM ZUFALLSBOHRER]( "KONSTRUKTION EINES MODELLS BASIEREND AUF DEM ZUFALLSBOHRER")
KONSTRUKTION EINES MODELLS BASIEREND AUF DEM ZUFALLSBOHRER39,90 €![Klassifizierung bösartiger Tumore: Eine praktische Herangehensweise]( "Klassifizierung bösartiger Tumore: Eine praktische Herangehensweise")
Klassifizierung bösartiger Tumore: Eine praktische Herangehensweise39,90 €![Digitale Verarbeitung von zytogenetischen Bildern für die Klassifizierung]( "Digitale Verarbeitung von zytogenetischen Bildern für die Klassifizierung")
Digitale Verarbeitung von zytogenetischen Bildern für die Klassifizierung60,90 €![Etude comparative des performances des méthodes ensemblistes]( "Etude comparative des performances des méthodes ensemblistes")
Etude comparative des performances des méthodes ensemblistes29,99 €
Ensemblistische Methoden basieren auf der Idee, die Vorhersagen mehrerer Klassifikatoren zu kombinieren, um eine bessere Verallgemeinerung zu erreichen und mögliche Mängel einzelner Prädiktoren auszugleichen.Man unterscheidet zwei Familien von Methoden: Parallele Methoden (Bagging, Random Forests), bei denen das Prinzip darin besteht, den Mittelwert mehrerer Vorhersagen zu bilden, in der Hoffnung auf ein besseres Ergebnis infolge der Verringerung der Varianz des mittleren Schätzers.Sequentielle Methoden (Boosting), bei denen die Parameter iterativ angepasst werden, um eine bessere Mischung zu erzeugen.In diesem Buch behaupten wir, dass wenn die Mitglieder eines Prädiktors unterschiedliche Fehler begehen, es möglich ist, die schlecht klassifizierten Beispiele im Vergleich zu einem einzelnen Prädiktor zu reduzieren. Die erzielte Leistung wird anhand von Kriterien wie Klassifikationsrate, Sensitivität, Spezifität, Recall usw. verglichen.