Kapcsolat
Hogyan vásároljunk
Kézbesítés
Vásárlási tanácsadó
Classifier Learning for Imbalanced Data
A Comparison of kNN, SVM, and Decision Tree Learning
Angol
185 b
Akár 30 napos visszaküldési lehetőség
A vásárlók ilyet vásároltak
/
Puha kötésű
20 438
Ft
/
Puha kötésű
4 541
Ft
This work discusses the theoretical abilities ofthree commonly used classifier learning methods andoptimization techniques to cope with characteristicsof real-world classification problems, morespecifically varying misclassification costs,imbalanced data sets and varying degrees of hardnessof class boundaries.From these discussions a universally applicableoptimization framework is derived that successfullycorrects the error-based inductive bias of classifierlearning methods on image data within the domain ofmedical diagnosis.The framework was designed considering several pointsfor improvement of common optimization techniques,such as the modification of the optimizationprocedure for inducer-specific parameters, themodification of input data by an arcing algorithm,and the combination of classifiers according tolocally-adaptive, cost-sensitive voting schemes.The framework is designed to make the learningprocess cost-sensitive and to enforce more balancedmisclassification costs between classes. Results onthe evaluated domain are promising, while furtherimprovements can be expected after some modificationsto the framework.
Információ a könyvről
Angol
Ajándékozza oda ezt a könyvet még ma
Nagyon egyszerű
1 Tegye a kosárba könyvet, és válassza ki a kiszállítás ajándékként opciót 2 Rögtön küldjük Önnek az utalványt 3 A könyv megérkezik a megajándékozott címéreEzt is ajánljuk
/
Puha kötésű
17 726
Ft
/
Puha kötésű
10 210
Ft
Szia! Libroamiko vagyok, a könyvtanácsadód.
Miben segíthetek?