Combining Pattern Classifiers: Methods and Algorithms

بررسی یکپارچه و منسجم از روش‌های گروه طبقه‌بندی‌کننده فعلی، از اصول تشخیص الگو تا انتخاب ویژگی‌های مجموعه، اکنون در ویرایش دوم آن

هنر و علم ترکیب طبقه‌بندی‌کننده‌های الگو به یک رشته پرکار شکوفا شده است. از زمانی که اولین ویرایش ترکیب طبقه‌بندی‌کننده‌های الگو در سال 2004 منتشر شد. دکتر کونچوا از چشم‌انداز غنی ادبیات گروه طبقه‌بندی‌کننده اخیر موضوعات، روش‌ها و الگوریتم‌هایی را استخراج کرده است که خواننده را به سمت درک عمیق‌تر راهنمایی می‌کند. از مبانی، طراحی و کاربردهای روش‌های گروه طبقه‌بندی‌کننده.

به‌طور کامل به‌روزرسانی شده، با کد MATLAB® و مجموعه‌های داده تمرینی در سراسر، ترکیب طبقه‌بندی‌کننده‌های الگو شامل: p>• پوشش تئوری تصمیم بیز و مقایسه تجربی طبقه‌بندی‌کننده‌ها

• روش‌های مجموعه اساسی مانند Bagging، Random Forest، AdaBoost، Random subspace، Rotation Forest، Random Oracle، و Error Correcting Output Code و غیره

• فصل‌هایی در مورد انتخاب طبقه‌بندی‌کننده، تنوع، و انتخاب ویژگی مجموعه

با پایه‌ای محکم در اصول تشخیص الگو، و دارای بیش از ۱۴۰ تصویر، ترکیب طبقه‌بندی‌کننده‌های الگو، ویرایش دوم یک مرجع ارزشمند برای دانشجویان کارشناسی ارشد، محققین و شاغلین در محاسبات و مهندسی است.

A unified, coherent treatment of current classifier ensemble methods, from fundamentals of pattern recognition to ensemble feature selection, now in its second edition

The art and science of combining pattern classifiers has flourished into a prolific discipline since the first edition of Combining Pattern Classifiers was published in 2004. Dr. Kuncheva has plucked from the rich landscape of recent classifier ensemble literature the topics, methods, and algorithms that will guide the reader toward a deeper understanding of the fundamentals, design, and applications of classifier ensemble methods.

Thoroughly updated, with MATLAB® code and practice data sets throughout, Combining Pattern Classifiers includes:

• Coverage of Bayes decision theory and experimental comparison of classifiers

• Essential ensemble methods such as Bagging, Random forest, AdaBoost, Random subspace, Rotation forest, Random oracle, and Error Correcting Output Code, among others

• Chapters on classifier selection, diversity, and ensemble feature selection

With firm grounding in the fundamentals of pattern recognition, and featuring more than 140 illustrations, Combining Pattern Classifiers, Second Edition is a valuable reference for postgraduate students, researchers, and practitioners in computing and engineering.