Ta strona używa cookie. Dowiedz się więcej o celu używania i zmianie ustawień cookie w przeglądarce.
Korzystając ze strony wyrażasz zgodę na używanie cookie, zgodnie z aktualnymi ustawieniami przeglądarki.

WYSZUKAJ
WYSZUKAJ CZASOPISMO
 
http://www.wuj.pl/page,produkt,prodid,3025,strona,Slady_wilka,katid,269.html

Spis treści (zobacz)

Strona główna > Spis treści (zobacz) :
Klasyfikator Hierarchiczny
Klasyfikator Hierarchiczny


Spis treści

Spis rysunków VII
Spis tabel IX
Wprowadzenie XI

Wstęp 1

1. Podział zadania klasyfikacji 9
1.1. Klasyfikator  10
1.2. Podział przestrzeni klas  10
1.2.1. Losowa symulacja klasyfikatora dla podproblemu 15
1.2.2. Symulacja z wykorzystaniem prawa Bayesa  17
1.2.3. Wykorzystanie ewaluacji ryzyka w rzeczywistym problemie  19
1.3. Wykorzystanie słabych klasyfikatorów  24

2. Klasyfikator Hierarchiczny HCOC 33
2.1. Podział przestrzeni wyjściowej klas  33
2.1.1. Klastry i ich nakładanie się  37
2.2. Definicja HCOC  38
2.2.1. Macierz klastrowania F  40
2.3. Ewaluacja klasyfikatora HCOC  46
2.3.1. Agregacja wyników klasyfikacji w modelach złożonych  46
2.3.2. Wagi klastrów HCOC  47
2.3.3. Ewaluacja poddrzew  49
2.3.4. Zależność wag klastrów od składowych klas  55
2.4. HCOC jako rozwiązanie zadania przez podział  57
2.4.1. Klasyfikacja przykładów  60
2.5. Nauczanie pojedynczych węzłów  63
2.6. Zadanie klastrowania  65
2.6.1. Rozszerzenie algorytmu klastrowania aglomeratywnego  66
2.6.2. Bayesowskie podejście do klastrowania  67
2.6.3. Urównoleglenie klastrowania przy wykorzystaniu algorytmu Rosnacego Gazu Neuronowego GNG  70
2.6.4. Wykorzystanie metod genetycznych dla klastrowania  73
2.6.5. Inne funkcje dopasowania  74
2.6.6. Alternatywne klastrowanie dla lasu drzew decyzyjnych  76
2.6.7. Problem zapewnienia różnorodności klasyfikatorów  77
2.7. Zbieżność nauczania HCOC  79
2.7.1. HCOC jako złożony klasyfikator  79
2.7.2. Błąd HCOC a słabość klasyfikatorów bazowych  84
2.7.3. Zależność błędu HCOC od błędu generalizacji  84

3. Eksperymenty i doświadczenia 89
3.1. Eksperyment Mixture of Gaussians dla wielu klas wyjściowych  89
3.2. Rozpoznawanie przedmiotów z bazy COIL i porównanie z innym modelem hierarchicznym  93
3.3. Zbiory porównawcze z repozytoriów  94
3.4. Klasyfikacja tekstur  94
3.5. Zastosowania w teorii automatów  96
3.6. Rozpoznawanie twarzy  99
3.7. Ekstrakcja reguł  102

Zakończenie 107

Dodatek A. Problemy nauczania maszynowego 109
A.1. Nadzorowane nauczanie maszynowe  109
A.2. Atrybuty przykładów uczących  109
A.3. Funkcje kosztu i ryzyka  110
A.4. Klasyfikatory „monolityczne” 111
A.5. Klasyfikatory złożone  113
A.6. Agregacja wyników  115
A.7. Sposoby selekcji końcowej klasy  117
A.8. Podejścia przy aglomeratywnym klastrowaniu  117
A.9. Algorytm GNG  118
A.10.Niektóre miary różnorodności  118
A.11.Rozkład Beta  120
A.12.Rozkład Dirichleta  121
A.13.Walidacja krzyżowa i błąd Err(0.632)  122

Bibliografia 125

Skorowidz pojęc 135

<< powróć do strony produktu