دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Verónica Bolón-Canedo. Amparo Alonso-Betanzos
سری: Intelligent Systems Reference Library Book 147
ISBN (شابک) : 9783319900803
ناشر: Springer
سال نشر: 2018
تعداد صفحات: 208
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 Mb
در صورت تبدیل فایل کتاب Recent Advances in Ensembles for Feature Selection به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب پیشرفت های اخیر در گروه ها برای انتخاب ویژگی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب یک نمای کلی جامع از یادگیری گروهی در زمینه انتخاب ویژگی (FS) ارائه میدهد که شامل ترکیب خروجی روشهای متعدد برای به دست آوردن نتایج بهتر از هر روش واحدی است. این تکنیکهای مختلف را برای ترکیب نتایج جزئی، اندازهگیری تنوع و ارزیابی عملکرد گروه بررسی میکند. با ظهور داده های بزرگ، انتخاب ویژگی (FS) بیش از هر زمان دیگری برای دستیابی به کاهش ابعاد ضروری شده است. با بسیاری از روشهای موجود، انتخاب مناسبترین روش برای یک محیط معین دشوار است، بنابراین پارادایم مجموعه را به یک جایگزین جالب تبدیل میکند. نویسندگان ابتدا بر پایههای یادگیری گروه و رویکردهای کلاسیک، قبل از فرو رفتن در جنبههای خاص گروهها برای FS، مانند ترکیب نتایج جزئی، اندازهگیری تنوع و ارزیابی عملکرد گروه تمرکز میکنند. در نهایت، این کتاب نمونههایی از کاربردهای موفق گروهها را برای FS نشان میدهد و چالشهای جدیدی را که اکنون محققان با آن مواجه هستند، معرفی میکند. به این ترتیب، این کتاب راهنمای ارزشمندی را برای همه پزشکان، محققان و دانشجویان فارغ التحصیل در زمینههای یادگیری ماشین و داده کاوی ارائه میکند.
This book offers a comprehensive overview of ensemble learning in the field of feature selection (FS), which consists of combining the output of multiple methods to obtain better results than any single method. It reviews various techniques for combining partial results, measuring diversity and evaluating ensemble performance. With the advent of Big Data, feature selection (FS) has become more necessary than ever to achieve dimensionality reduction. With so many methods available, it is difficult to choose the most appropriate one for a given setting, thus making the ensemble paradigm an interesting alternative. The authors first focus on the foundations of ensemble learning and classical approaches, before diving into the specific aspects of ensembles for FS, such as combining partial results, measuring diversity and evaluating ensemble performance. Lastly, the book shows examples of successful applications of ensembles for FS and introduces the new challenges that researchers now face. As such, the book offers a valuable guide for all practitioners, researchers and graduate students in the areas of machine learning and data mining.