مقاله یک روش ویرایشی تراکمی نوین برای شناسایی نمونه داده های پرت در مسائل کلاسه بندی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله یک روش ویرایشی تراکمی نوین برای شناسایی نمونه داده های پرت در مسائل کلاسه بندی دارای ۷ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله یک روش ویرایشی تراکمی نوین برای شناسایی نمونه داده های پرت در مسائل کلاسه بندی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله یک روش ویرایشی تراکمی نوین برای شناسایی نمونه داده های پرت در مسائل کلاسه بندی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله یک روش ویرایشی تراکمی نوین برای شناسایی نمونه داده های پرت در مسائل کلاسه بندی :

تعداد صفحات:۷

چکیده:

در مسائل کلاسه بندی، داده های پرت به نمونه هایی اطلاق می شود که با همسایه های خود (نزدیکترین نمونه ها به نمونه ی مورد نظر) هماهنگی ندارند. به عبارت دیگر، نمونه داده ای از یک کلاس در بین تعدادی از نمونه های مربوط به کلاس دیگر محصور باشد. عوامل اصلی بروز چنین داده هایی معمولا نویزها و خطاهای اندازه گیری می باشند. در نتیجه حذف این نمونه ها از مجموعه داده های آموزشی بعنوان یک عملیات پیش پردازش می تواند به دقت کلاسه بند و همچنین کارایی آن از لحاظ حافظه و زمان کمک قابل توجی نماید. روش های شناسایی و حذف نمونه های پرت را می توان به دو زیر گروه اصلی تقسیم کرد؛ روشهای ویرایشی و روشهای تراکمی. هدف روش های ویرایشی غالبًا بهبود کارایی و دقت کلاسه بندی به کمک حذف نمونه های نویزی می باشد. از طرف دیگر، هدف روش های تراکمی حذف نمونه هایی است که در عمل کلاسه بندی تاثیری ندارند. در واقع، سعی این روش ها یافتن زیرمجموعه ای بسیار کاهش یافته از فضای دادهای
آموزشی به کمک حذف نمونه های داخلی جهت بهبود سرعت و حافظه می باشد. در این مقاله، ما یک روش ویرایشی تراکمی جدید برای شناسایی نمونه های پرت ارائه می کنیم. عملکرد الگوریتم پیشنهادی بر پایه عملگرهای سریع بیتی می باشد. پس از مشاهده تاثیر الگوریتم بر سرعت یک کلاسه بند، تاثیر آن را در افزایش دقت کلاسه بند نیز بررسی می نماییم. بدین منظور روش پیشنهادی را روی چند مجموعه داده استاندارد که ماهیت نویزی دارند، اعمال نموده و سپس عمل کلاسه بندی را انجام می دهیم. دقت کلاسه بند حاصل را با حالت بدون حذف نمونه های پرت و نیز با چند روش معروف مقایسه می کنیم.