Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "klasyfikator" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Strict Maximum Separability of Two Finite Sets: An Algorithmic Approach
    Autorzy:
    Cendrowska, D.
    Powiązania:
    https://bibliotekanauki.pl/articles/908540.pdf
    Data publikacji:
    2005
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    klasyfikator binarny
    metoda rekurencyjna
    rozdzielność optymalna
    binary classifiers
    recursive methods
    optimal separability
    Opis:
    The paper presents a recursive algorithm for the investigation of a strict, linear separation in the Euclidean space. In the case when sets are linearly separable, it allows us to determine the coefficients of the hyperplanes. An example of using this algorithm as well as its drawbacks are shown. Then the algorithm of determining an optimal separation (in the sense of maximizing the distance between the two sets) is presented.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2005, 15, 2; 295-304
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Learning the naive Bayes classifier with optimization models
    Autorzy:
    Taheri, S.
    Mammadov, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/908351.pdf
    Data publikacji:
    2013
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    Bayesian networks
    naive Bayes classifier
    optimization
    discretization
    sieci bayesowskie
    naiwny klasyfikator Bayesa
    optymalizacja
    dyskretyzacja
    Opis:
    Naive Bayes is among the simplest probabilistic classifiers. It often performs surprisingly well in many real world applications, despite the strong assumption that all features are conditionally independent given the class. In the learning process of this classifier with the known structure, class probabilities and conditional probabilities are calculated using training data, and then values of these probabilities are used to classify new observations. In this paper, we introduce three novel optimization models for the naive Bayes classifier where both class probabilities and conditional probabilities are considered as variables. The values of these variables are found by solving the corresponding optimization problems. Numerical experiments are conducted on several real world binary classification data sets, where continuous features are discretized by applying three different methods. The performances of these models are compared with the naive Bayes classifier, tree augmented naive Bayes, the SVM, C4.5 and the nearest neighbor classifier. The obtained results demonstrate that the proposed models can significantly improve the performance of the naive Bayes classifier, yet at the same time maintain its simple structure.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2013, 23, 4; 787-795
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The use of the image analysis method for the segregation of shredded waste in an air classifier
    Wykorzystanie metod analizy obrazu do segregacji odpadów rozdrobnionych w klasyfikatorze pneumatycznym
    Autorzy:
    Zagaj, I.
    Ulbrich, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/396474.pdf
    Data publikacji:
    2014
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    segregation
    shredded waste
    air classifier
    image analysis method
    segregacja
    odpady rozdrobnione
    klasyfikator pneumatyczny
    metoda analizy obrazu
    Opis:
    Segregation of shredded waste is one of the technologies of waste management, along with issues related to manual segregation, while nowadays it starts to be associated with pneumatic classification. This paper discusses the use of an air classifier and image analysis techniques for the purposes of evaluation of segregation of shredded waste. This type of air classifier plays an important role due to the efficiency of the device and the characteristics of segregation. The authors report the results of research into image analysis of segregation of shredded waste on the basis of the use of image analysis.
    Segregacja odpadów rozdrobnionych jest jedną z technologii gospodarki odpadami, obejmującą zagadnienia związane z segregacją ręczną, która została wzbogacona o klasyfikację pneumatyczną. W niniejszym artykule przedstawiono klasyfikator pneumatyczny oraz możliwości wykorzystania metod analizy obrazu do oceny segregacji odpadów rozdrobnionych. Tego rodzaju klasyfikatory pneumatyczne mają istotne znaczenie ze względu na sprawność urządzenia, a także charakter prowadzenia segregacji. Autorzy przedstawili wyniki badań dotyczących analizy obrazu segregacji odpadów rozdrobnionych w oparciu o wykorzystanie metod analizy obrazu.
    Źródło:
    Civil and Environmental Engineering Reports; 2014, 13; 97-107
    2080-5187
    2450-8594
    Pojawia się w:
    Civil and Environmental Engineering Reports
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    On Naive Bayes in Speech Recognition
    Autorzy:
    Toth, L.
    Kocsor, A.
    Csirik, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/908542.pdf
    Data publikacji:
    2005
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    naiwny klasyfikator Bayesa
    rozpoznawanie mowy
    ukryty model Markowa
    naive Bayes
    segment-based speech recognition
    hidden Markov model
    Opis:
    The currently dominant speech recognition technology, hidden Markov modeling, has long been criticized for its simplistic assumptions about speech, and especially for the naive Bayes combination rule inherent in it. Many sophisticated alternative models have been suggested over the last decade. These, however, have demonstrated only modest improvements and brought no paradigm shift in technology. The goal of this paper is to examine why HMM performs so well in spite of its incorrect bias due to the naive Bayes assumption. To do this we create an algorithmic framework that allows us to experiment with alternative combination schemes and helps us understand the factors that influence recognition performance. From the findings we argue that the bias peculiar to the naive Bayes rule is not really detrimental to phoneme classification performance. Furthermore, it ensures consistent behavior in outlier modeling, allowing efficient management of insertion and deletion errors.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2005, 15, 2; 287-294
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    An n-ary λ-averaging based similarity classifier
    Autorzy:
    Kurama, O.
    Luukka, P.
    Collan, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/330385.pdf
    Data publikacji:
    2016
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    similarity classifier
    λ-averaging
    n-ary λ-averaging operator
    n-ary t-norm
    n-ary t-conorm
    classification
    klasyfikator podobieństwa
    operator uśredniony
    sortowanie
    Opis:
    We introduce a new n-ary λ similarity classifier that is based on a new n-ary λ-averaging operator in the aggregation of similarities. This work is a natural extension of earlier research on similarity based classification in which aggregation is commonly performed by using the OWA-operator. So far λ -averaging has been used only in binary aggregation. Here the λ-averaging operator is extended to the n-ary aggregation case by using t-norms and t-conorms. We examine four different n-ary norms and test the new similarity classifier with five medical data sets. The new method seems to perform well when compared with the similarity classifier
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2016, 26, 2; 407-421
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-5 z 5

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies