Mèo của chúng tôi đang chạy đi lấy dữ liệu cho bạn ...

[PE2024187] NÂNG CAO HIỆU NĂNG PHÂN LỚP DỮ LIỆU TRÊN CƠ SỞ CẢI TIẾN THUẬT TOÁN SVM -40%

Upload bởi: DevJava22
(0 Đánh giá)
50,000đ
30,000đ

Đối với bài toán phân loại nhị phân trong thực tế, hai lớp dữ liệu thường có xu hướng phân phối khác nhau. Phức tạp hơn, mỗi lớp dữ liệu gồm nhiều cụm có phân phối khác nhau. Cách tiếp cận dùng một siêu phẳng hay dùng hai siêu phẳng để phân loại còn nhiều hạn chế. Xuất phát từ đó, mục tiêu chính của luận án là đề xuất các phương pháp mới nhằm nâng cao hiệu năng phân lớp dữ liệu (độ chính xác trong phân lớp, thời gian huấn luyện) đối với dữ liệu có cấu trúc phức tạp, trên cơ sở cải tiến thuật toán SVM.

Đồ Án - Luận Văn
Tài liệu
19/06/2024
[hotrodoan.vn]luan_an_nang_cao_hieu_nang_phan_lop_du_lieu_tren_co_so_cai_t_.pdf
  • Chức năng đầy đủ và giống demo 100%

  • Hỗ trợ lắp đặt nếu cần

  • Hỗ trợ trả lời người mua sau khi tải

Những đóng góp chính của luận án về khoa học: 

  •  Đề xuất các thuật toán phân lớp nhị phân với dữ liệu có cấu trúc phức tạp, sử dụng chiến lược lớp-đối-cụm, tìm nghiệm toàn cục bằng phương pháp đối ngẫu hoặc phương pháp bình phương tối thiểu. Việc giải các bài toán QP cỡ lớn được thay thế bởi các bài toán QP có cỡ nhỏ hơn. 
  •  Đề xuất các thuật toán phân lớp nhị phân với dữ liệu có cấu trúc phức tạp, sử dụng chiến lược cụm-đối-lớp, khai thác thông tin cấu trúc của từng cụm trong mỗi lớp và thông tin về số lượng điểm dữ liệu trong mỗi cụm. Các thuật toán tìm nghiệm toàn cục bằng phương pháp đối ngẫu hoặc phương pháp bình phương tối thiểu. 
  •  Kết quả nghiên cứu nếu được áp dụng trên thực tế có thể giải quyết được các bài toán phân lớp với dữ liệu có cấu trúc phức tạp, hay dữ liệu không cân bằng (một lớp chiếm đa số dữ liệu khoảng 90%, một lớp chiếm thiểu số dữ liệu khoảng 10%). 
  •  Luận án có thể được sử dụng làm tài liệu tham khảo cho các sinh viên đại học và học viên cao học ngành công nghệ thông tin thực hiện đề tài về phân lớp dữ liệu.

ĐIỂM TRUNG BÌNH
0
Xuất sắc (0)
Rất tốt (0)
Tốt (0)
Trung Bình (0)
Cần cải thiện (0)