دانلود کتاب Benchmarking Attribute Selection Techniques for Data Mining
49,000 تومان
تکنیک های انتخاب ویژگی معیار برای داده کاوی
| موضوع اصلی | سازمان و پردازش داده ها |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| تعداد صفحه | 15 |
| حجم فایل | 228 کیلوبایت |
| نویسنده | Hall M.A., Holmes J. |
|---|---|
| زبان | انگلیسی |
| فرمت | |
| سال انتشار | 2003 |
جدول کد تخفیف
| تعداد کتاب | درصد تخفیف | قیمت کتاب |
| 1 | بدون تخفیف | 25,000 تومان |
| 2 | 20 درصد | 20,000 تومان |
| 3 الی 5 | 25 درصد | 18,750 تومان |
| 6 الی 10 | 30 درصد | 17,500 تومان |
| 11 الی 20 | 35 درصد | 16,250 تومان |
| 21 الی 30 | 40 درصد | 15,000 تومان |
| 31 الی 40 | 45 درصد | 13,750 تومان |
| 41 الی 50 | 50 درصد | 12,500 تومان |
| 51 الی 70 | 55 درصد | 11,250 تومان |
| 71 الی 100 | 60 درصد | 10,000 تومان |
| 101 الی 150 | 65 درصد | 8,750 تومان |
| 151 الی 200 | 70 درصد | 7,500 تومان |
| 201 الی 300 | 75 درصد | 6,250 تومان |
| 301 الی 500 | 80 درصد | 5,000 تومان |
| 501 الی 1000 | 85 درصد | 3,750 تومان |
| 1001 الی 10000 | 90 درصد | 2,500 تومان |
ترجمه فارسی توضیحات (ترجمه ماشینی)
تکنیک های انتخاب ویژگی معیار برای داده کاوی
مهندسی داده به طور کلی به عنوان یک موضوع اصلی در توسعه برنامه های کاربردی داده کاوی در نظر گرفته می شود. موفقیت بسیاری از طرحهای یادگیری، در تلاش برای ساخت مدلهایی از دادهها، به شناسایی قابل اعتماد مجموعه کوچکی از ویژگیهای بسیار پیشبینیکننده بستگی دارد. گنجاندن ویژگیهای نامربوط، زائد و پر سر و صدا در فاز فرآیند ساخت مدل میتواند منجر به عملکرد پیشبینی ضعیف و افزایش محاسبات شود. انتخاب ویژگی عموماً شامل ترکیبی از جستجو و برآورد سودمندی ویژگی به همراه ارزیابی با توجه به طرحهای یادگیری خاص است. این منجر به تعداد زیادی جایگشت احتمالی می شود و به وضعیتی منجر شده است که مطالعات معیار بسیار کمی انجام شده است. این مقاله یک مقایسه معیار از چندین روش انتخاب ویژگی را ارائه می دهد. همه روشها رتبهبندی ویژگیها را ایجاد میکنند، یک ابزار مفید برای جداسازی شایستگی فردی یک ویژگی. انتخاب ویژگی با اعتبارسنجی متقابل رتبهبندیها با توجه به یک طرح یادگیری برای یافتن بهترین ویژگیها به دست میآید. نتایج برای انتخاب مجموعه داده های استاندارد و دو طرح یادگیری C4.5 و ساده بیز گزارش شده است.
Benchmarking Attribute Selection Techniques for Data Mining
Data engineering is generally considered to be a central issue in the development of data mining applications. The success of many learning schemes, in their attempts to construct models of data, hinges on the reliable identification of a small set of highly predictive attributes. The inclusion of irrelevant, redundant and noisy attributes in the model building process phase can result in poor predictive performance and increased computation.Attribute selection generally involves a combination of search and attribute utility estimation plus evaluation with respect to specific learning schemes. This leads to a large number of possible permutations and has led to a situation where very few benchmark studies have been conducted.This paper presents a benchmark comparison of several attribute selection methods. All the methods produce an attribute ranking, a useful devise for isolating the individual merit of an attribute. Attribute selection is achieved by cross-validating the rankings with respect to a learning scheme to find the best attributes. Results are reported for a selection of standard data sets and two learning schemes C4.5 and naive Bayes.
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.