توضیحات
Learning by abstraction Hierarchical classification model using evidential theoretic approach and Bayesian ensemble model
الگوریتم:
یك روش بسیار كاربردی یادگیری بیزی روش یادگیرنده ساده بیزی می‌باشد كه عموماً روش طبقه‌بندی ساده بیزی نامیده می‌شود.
در برخی زمینه‌ها نشان داده شده است كه كارایی آن قابل قیاس با كارایی روش‌هایی مانند شبكه عصبی و درخت تصمیم می‌باشد.
طبقه‌بندی ساده بیزی برای مسائلی كه هر نمونه x درآن توسط مجموعه‌ای از مقادیر صفات و تابع هدف f(x) از مجموعه‌ای مانند V انتخاب می‌گردد كاربرد دارد.
روش بیزی برای طبقه‌بندی نمونه جدید این است كه محتمل‌ترین طبقه یا مقدار هدف vMAP را با داشتن مقادیر صفات 
كه توصیف كننده نمونه جدید است شناسایی كند،
با استفاده از قضیه بیز میتوان عبارت بالا را به صورت زیر بازنویسی كرد،
حال با استفاده از داده‌های آموزشی سعی می‌كنیم دو جمله معادله بالا را تخمین بزنیم .
محاسبه از روی داده‌های آموزشی به این صورت كه میزان تكرار vj در داده‌ها چقدر است، آسان می‌باشد .
اما محاسبه جملات مختلف به این صورت قابل قبول نخواهد بود مگر اینكه حجم بسیار بسیار زیادی از داده‌های آموزشی در اختیار داشته باشیم .
مشكل اینجاست كه تعداد این جملات برابر تعداد نمونه‌های ممكن ضرب در تعداد مقادیر تابع هدف می‌باشد .
بنابراین باید هر نمونه را چندین بار مشاهده كنیم تا تخمین مناسبی از آن بدست آید .
فرض روش طبقه‌بندی ساده بیزی بر اساس این ساده سازی است كه مقادیر صفات با داشتن مقادیر تابع هدف از یكدیگر مستقل شرطی می‌باشند .
به عبارت دیگر ، این فرض بیانگر این است كه به شرط مشاهده خروجی تابع هدف احتمال مشاهده صفات برابر ضرب احتمالات هر صفت به طور جداگانه می‌باشد .
اگر این را جایگزین معادله بالا كنیم روش طبقه‌بندی ساده بیزی را نتیجه میدهد،
كه vNB خروجی طبقه‌بندی ساده بیزی برای تابع هدف می‌باشد .
توجه كنید كه تعداد جملات 
كه در این روش باید محاسبه شوند برابر تعداد صفات ضرب در تعداد دسته‌های خروجی برای تابع هدف می‌باشد كه این مقدار از تعداد جملات 
بسیار كمتر است .
نتیجه اینكه یادگیری ساده بیزی سعی در تخمین مقادیر مختلف 
و 
با استفاده از میزان تكرار آنها در داده‌های آموزشی دارد .
این مجموعه تخمین‌ها متناظر با فرض یاد گرفته شده است .
سپس از این فرض برای طبقه بندی نمونه‌های جدید استفاده می‌شود كه این كار با استفاده از فرمول بالا صورت می‌گیرد .
هر گاه فرض مستقل شرطی بودن روش طبقه بندی ساده بیزی بر آورده شود طبقه ساده بیزی معادل طبقه MAP خواهد بود .
پیاده سازی
ابتدا داده ها را به صورت یک آرایه به برنامه می دهیم که در مرحله یادگیری با استفاده از الگوریتم بیز برای هر خصوصیت از رشته های ورودی مربوط به هر کلاس یک بازه و میانگین دسته به دست می آوریم.
سپس داده های تست را وارد می کنیم.
برای هر خصوصیت از هر رشته ی داده ی تست اختلاف آن تا مینیمم و ماکزیمم و همچنین مرکز دسته را محاسبه می کنیم.
سپس برای هر رشته میانگین این فاصله ها(فاصله هر خصوصیت داده ورودی با میانگین همان خصوصیت از یک کلاس) را محاسبه می کنیم.
در انتها فاصله با هر کلاس کمتر بود داده مربوط به آن کلاس می باشد:
داده های تست :
x=[6.7,3.1,5.6,2.4;
4.6,3.1,1.5,0.2;
5.4,3.9,1.7,0.4
6.7,3.1,4.7,1.5;
5.6,3.0,4.1,1.3;
6.9,3.1,5.4,2.1;
5.0,3.6,1.4,0.2;
6.4,2.8,5.6,2.1;
6.3,2.3,4.4,1.3
];
خروجی شبیه سازی با متلب :
C A A B B C A C B
کلید واژه : خوشه بندی فضایی, درخت -R درختی,پروژه متلب,شبیه سازی با متلب,matlab project,پروژه های matlab,
شبیه سازی
Learning by abstraction Hierarchical classification model using evidential theoretic approach and Bayesian ensemble model
به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،. با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.