توضیحات
پیاده سازی دسته بندی های مختلف بر روی دیتاست و انتخاب ویژگی با متلب
مسئله حاضر، مسئله دسته بندی است. قصد داریم تا با استفاده از 5 روش دسته بندی که در بخش بعدی ذکر خواهیم کرد اقدام به دسته بندی داده ها کنیم. این روش ها یا به صورت آموزش مدل هستند که در آنها یک مدل آموزش داده میشود و سپس داده های تست با آن مدل امتحان میشوند و یا اینکه مدل ها بدون آموزش و با استفاده از برچسب داده های آموزشی اقدام به دسته بندی میکنند که به این نوع از روش ها روش های مبتنی بر مثال میگویند.
روش های آموزشی شامل bayes optimal classifer و svm و min risk bayes هستند ولی روش های knn و min mean distance نیاز به آموزش ندارد.
داده هایی که در این تمرین استفاده شده است شامل 88588 مثال است که در در هر مرحله از آموزش روشها، یک پنجم آن را برای تست جدا میکنیم و چهار پنجم آن را برای آموزش. این کار را ارزیابی kfold cross validation مینامند. در این تمرین، آموزش مدلها به تعداد 125 مرتبه انجام میشود که در هر مرحله داده ها درهم ریخته میشوند. بعد از خواندن داده ها نیز عملیات نرمال سازی روی هر بعد از داده ها اجرا میشود.
فهرست مطالب این پروژه:
- روش حل و خلاصه روش ها
- روش bayes optimal classifier
- روش knn
- روش svm
- روش min mean distance
- روش min risk bayes
- دقت روی تمامی ویژگی ها
- دقت روی ویژگی های بدست آمده از PCA
- دقت روی ویژگی های بدست آمده از Feature Selection
بهترین دقت مربوط به روش بیز حداقل ریسک است با 98.66 درصد دقت و سپس روش بیز بهینه با 98.33 درصد. بعد از آن روش Svm و سپس روش های نزدیک ترین همسایگی و نزدیک ترین فاصله قرار دارند. بازه دقت ها در این حالت بین 98 درصد تا 84 درصد بوده است که نسبت به دو حالت قبلی ، بازه بهتری بوده است.
پیاده سازی دسته بندی های مختلف بر روی دیتاست و انتخاب ویژگی با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
سفارش پروژه مشابه
درصورتیکه این پروژه 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.