تعیین میزان تشخیص کلاس بندی توسط LDA
Publish Year: 1393
Type: Conference paper
Language: Persian
View: 1,062
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
ICEEE06_041
Index date: 23 September 2015
تعیین میزان تشخیص کلاس بندی توسط LDA abstract
از عوامل مهم در دقت و کارائی طبقه بندی کننده ها، کاهش ابعاد فضای ویژگی است. کاهش هزینه ی محاسباتی و دقت طبقه بندی، دو دلیل عمده کاهش بعد فضای ویژگی است. به طور کلی دو روش برای کاهش ابعاد فضای ویژگی وجود دارد: اینتخاب ویژگی و استخراج ویژگی. در روش انتخاب ویزگی ها، ویژگی هایی که در طبقه بندی مفید هستند، از یک مجموعه کامل ویژگی انتخاب می شوند. در روش استخراج ویژگی های جدیدی با استفاده از ویزگی های اولیه تولید می شود. در این مقاله ابتدا از معیار فاصله ی اقلیدسی برای خوشه بندی داده ها استفاده شده است، سپس داده ها با استفاده از نتایج خوشه بندی آموزش داده شده و از داده هایی که در خوشه بندی شرکت نداشته اند، به عنوان داده ی تست استفاده شده است. در این تحقیق هدف برسی میزان صحت تشخیص طبقه بندی داده هایی که در خوشه بندی شرکت نداشته اند به عنوان داده ی تست استفاده شده است. در این تحقیق هدف بررسی میزان صحت تشخیص طبقه بندی داده های تست بر اساس داده های آموزشی بوسیله ی طبقه بند LDA است. برای این منظور چندین داده ی تست مورد ارزیابی قرار گرفته است. نتایج نشان می دهد که فاصله اقلیدسی بهترین معیار برای خوشه بندی این پایگاه داده است و همچنین عملکرد این طبقه بند به داده های آموزشی وابسته است. هر په داده های آموزشی با دقت بیشتری طبقه بندی شوند صحت تشخیص طبقه بند LDA هم افزایش خواهد یافت.
تعیین میزان تشخیص کلاس بندی توسط LDA Keywords:
تعیین میزان تشخیص کلاس بندی توسط LDA authors
سمیه صبوری
دانشگاه آزاد اسلامی واحد گناباد، باشگاه پژوهشگران جوان و نخبگان، گناباد، ایران
حمیدرضا غفاری
دانشگاه آزاد اسلامی واحد فردوس، فردوس ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :