فایل های مشابه شاید از این ها هم خوشتان بیاید !!!!
توضیحات محصول دانلود پاورپوینت آشنایی با طبقهبندی بیزین برای توزیع‌های نرمال (کد13459)
دانلود پاورپوینت آشنایی با طبقهبندی بیزین برای توزیع‌های نرمال
\nطبقهبندهای مبتنی‌بر تئوری بیز Classifiers based on Bayes Decision Theory
\n\n عنوان های پاورپوینت :
\n\nآشنایی با طبقهبندی بیزین برای توزیع‌های نرمال
\nطبقهبندهای مبتنی‌بر تئوری بیز Classifiers based on Bayes Decision Theory
\nرئوس مطالب
\nتئوری تصمیم بیز
\nتوابع تمایز و سطوح تصمیم
\nطبقهبندی بیزین برای توزیع‌های نرمال
\nتخمین توابع چگالی احتمال نامعلوم
\nقاعده نزدیکترین همسایه
\nشبکههای بیزین
\n\n \n\n \n\n
\n\nقسمت ها و تکه های اتفاقی از فایل\n\n \n\n- با استفاده از فاصله اقلیدسی، 5 همسایه نزدیکتر در کلاسهای ω1 و ω2 تعیین شدند\n\n- برای محاسبه حجم، شعاع متناظر با دورترین همسایه از مرکز ستاره محاسبه می‌شود؛ به ترتیب مقادیر و برای کلاسهای 1 و 2\n\n- تعداد نقاط کلاس یک برابر N1= 59 و کلاس دو نیز N2= 61، با توجه به دایروی بودن سطح تصمیم مقادیر سطوح دو کلاس بترتیب برابر\n\n- با صرفنظر کردن از ضرایب خطرپذیری، نقطه ستاره به کلاس دو اختصاص می‌یابد\n\n4-7- طبقهبند Naive بیز\n\nبرای تخمین pdf در یک فضای ویژگی l بعدی به N l نقطه آموزش نیاز داریم. برای حل مشکل، می‌توانیم هر ویژگی در بردار ویژگی را مستقل فرض نماییم\n\nبا این فرض می‌توان نوشت\n\n5- قاعده نزدیکترین همسایه\n\nدر ابتدا قاعده نزدیکترین همسایه برای یک بردار ویژگی x و یک اندازه فاصله بشرح زیر بیان می‌شود\n\n- برای N بردار آموزش، k همسایه نزدیکتر باتوجه به برچسب کلاسها تعیین می‌شوند. مقدار k برای مسئله دو کلاسه فرد و برای M کلاسه نبایستی مضرب صحیح از تعداد کلاس باشد.\n\n- در بین این k نمونه، تعداد بردارهای ki متعلق به ωi را تعیین می‌کنیم.\n\n- بوضوح، بردار x به کلاس ωi با بیشترین ki اختصاص می‌یابد\n\nاندازههای فاصله نظیر اقلیدسی، ماهالانوبیس، قدرمطلق فاصله یا نرم یک (L1)، و ...\n\nبرای k = 1 سادهترین نوع الگوریتم بنام قاعده نزدیکترین همسایه (NN)، بعبارتی دیگر یک بردار ورودی ناشناس به برچسب کلاس نزدیکترین همسایه اختصاص می‌یابد\n\nبرای تعداد داده آموزشی کافی، این روش ساده دارای عملکرد مناسب میباشد و برای میل N به مقدار بینهایت، میزان خطای طبقهبندی برای NN به مقادیر زیر محدود می‌شود\n\nدر رابطه بالا PB خطای بهینه بیز میباشد. برای حالت دو کلاسه و طبقهبند kNN\n\nبرای مقادیر مختلف k و مقدار N بزرگ، قاعده kNN به طبقهبند بیزین میل می‌کند\n\nملاحظات\n\nوجود پیچیدگی برای جستجوی نزدیکترین همسایهها در تکنیک kNN، میزان محاسبات متناسب با kN\n\nبرای مجموعهداده با N کوچک، کارآیی روش kNN کاهش می‌یابد. استفاده از روشهای ویرایش، تعریف فاصله سازگار با داده، و شیوههای دیگر جهت افزایش کارآیی\n\nبرای k = 1 در قاعدهنزدیکترین‌همسایه، بردارهای‌ویژگی‌آموزش فضای‌ویژگی l بعدی را به N ناحیه Ri معروف به سنگ‌فرش‌های‌ورونی (Voronoi tessellation) بصورت زیر تقسیم می‌کنند\n\nRi شامل تمام نقاطی در فضا است که به xi نسبت به نقاط دیگر از مجموعه آموزش برحسب فاصله d نزدیکتر می‌باشند\n\n6- شبکههای بیزین\n\nدر ابتدا با قاعده زنجیرهای احتمال برای ویژگیهای شروع می‌کنیم\n\nمی‌توان رابطه بالا را بصورت زیر نوشت\n\nبرای l = 6 داریم\n\nبصورت گرافیکی، گرهها مبین هر ویژگی بوده و والدین هر ویژگی، xi، اعضای Ai می‌باشند که با خطوط مستقیم به گره ویژگی ارتباط می‌یابند\n\nبا قاعده زنجیرهای، تخمین pdf با ابعاد کمتری صورت می‌گیرد و پیچیدگی محاسباتی کاهش می‌یابد\n\nروابط بالا، مبتنی‌بر فرضیات استقلال ویژگی‌ها نوشته شدهاند. بدیهی‌است می‌توان گرافهای دیگری نیز برای تخمین توابع چگالی احتمال بالا رسم نمود.\n\nطبقهبند Naive بیز حالت خاصی از شبکه بیزین با Ai= Ø میباشد\n\nشبکه بیزین یک گراف مستقیم مارپیچ (DAG) با رئوس مرتبط با هر ویژگی است\n\nتعیین کامل شبکه بیزین به دانستههای زیر نیاز دارد\n\n- احتمال گرههای ریشه (گرههایی که والدین نداشته باشند)\n\n- احتمالهای شرطی گرههای غیر ریشه\n\n- محاسبه احتمالهای توام با ضرب تمام احتمال‌های‌شرطی در احتمال‌های‌پیشین گرههای ریشه\n\n \n\n \n\n30 تا 70 درصد پروژه | پاورپوینت | سمینار | طرح های کارآفرینی و توجیهی | پایان-نامه | پی دی اف مقاله ( کتاب ) | نقشه | پلان طراحی | های آماده به صورت رایگان میباشد ( word | pdf | docx | doc )
