قسمتی از اسلایدها دسته بندی در مسایل دسته بندی یک بردار ورودی X به یکی از K کلاس مجزای Ck اختصاص داده میشود. برای این کار فضای ورودی به نواحی تصمیم گیری تقسیم بندی میشود که مرزهای آنرا سطوح تصمیم گیری می نامند. در این فصل مدل هایی بررسی میشوند که سطوح تصمیم گیری از توابع خطی تشکیل میشوند. برای جدا سازی فضای ورودی D بعدی از ابرصفحه های D-1 بعدی استفاده میشود. مسایل جدا پذیر خطی مجموعه داده هایی که با یک سطح تصمیم گیری خطی جداپذیر هستند linearly separable یا جداپذیر خطی نامیده میشوند. یک دسته بندی کننده خطی برای دسته بندی داده ها از ترکیب خطی ویژگی ها استفاده میکند. دسته بندی کننده خطی بسیار سریع عمل میکند و برای داده ها با ابعاد بالا کارائی خوبی دارد. (البته درخت تصمیم میتواند سریعتر عمل نماید.) Generative models vs. discriminative models دو روش کلی برای تعیین پارامترهای دسته بندی کننده های خطی وجود دارد: l Generative models این روش ها بر اساس مدل سازی توابع چگالی شرطی عمل میکنند نظیر lNaive Bayes classifier که در آن از فرض استقلال شرطی ا ...
عضو شوید
عضویت سریع
آمار مطالب
آمار بازدید
قسمتی از اسلایدها دسته بندی در مسایل دسته بندی یک بردار ورودی X به یکی از K کلاس مجزای Ck اختصاص داده میشود. برای این کار فضای ورودی به نواحی تصمیم گیری تقسیم بندی میشود که مرزهای آنرا سطوح تصمیم گیری می نامند. در این فصل مدل هایی بررسی میشوند که سطوح تصمیم گیری از توابع خطی تشکیل میشوند. برای جدا سازی فضای ورودی D بعدی از ابرصفحه های D-1 بعدی استفاده میشود. مسایل جدا پذیر خطی مجموعه داده هایی که با یک سطح تصمیم گیری خطی جداپذیر هستند linearly separable یا جداپذیر خطی نامیده میشوند. یک دسته بندی کننده خطی برای دسته بندی داده ها از ترکیب خطی ویژگی ها استفاده میکند. دسته بندی کننده خطی بسیار سریع عمل میکند و برای داده ها با ابعاد بالا کارائی خوبی دارد. (البته درخت تصمیم میتواند سریعتر عمل نماید.) Generative models vs. discriminative models دو روش کلی برای تعیین پارامترهای دسته بندی کننده های خطی وجود دارد: l Generative models این روش ها بر اساس مدل سازی توابع چگالی شرطی عمل میکنند نظیر lNaive Bayes classifier که در آن از فرض استقلال شرطی ا ...
