其概念是从初始数据构建多个分类器，然后在描述未知示例时聚合它们的预测。集成分类器可以通过以下几种方法构建 - 通过操作训练集 - 在这种方法中，通过根据某种采样分布对初始数据进行重采样来生成多个训练集。采样分布决定了实例被选中进行训练的可能性，并且它可以从一次试验到另一次试验发生变化。使用特定的学习算法从每个训练集中构建分类器。Bagging 和 Boosting 就是实例…… 阅读更多

支持向量机 (SVM) 是一种受到广泛关注的分类方法。这种方法起源于统计学习理论，并在从手写数字识别到文本分类的多个实际应用中展现出良好的经验结果。SVM 还可以处理高维数据，并避免维度灾难问题。这种方法的第二个要素是它使用训练实例的一个子集（称为支持向量）来定义决策边界。SVM 可以被训练来明确地查看线性可分数据中的这种类型的超平面。它可以通过显示 SVM 如何…… 阅读更多

人工神经网络是一个建立在生物神经网络功能基础上的系统。它是生物神经系统的模拟。人工神经网络的特点是存在多种结构，需要多种算法方法，但无论系统多么复杂，神经网络都很容易使用。这些网络介于主管工具箱中特定的信号处理科学之间。该领域是高度跨学科的，但此技术将视野限制在工程视角。输入/输出训练数据对于神经网络技术至关重要，因为它们发送必要的记录以“查找”最佳…… 阅读更多

人工神经网络是一个建立在生物神经网络功能基础上的系统。它是生物神经系统的模拟。人工神经网络的特点是存在多种结构，需要多种算法方法，但无论系统多么复杂，神经网络都很容易使用。这些网络介于主管工具箱中特定的信号处理科学之间。该领域是高度跨学科的，但此方法将视野限制在工程视角。在工程领域，神经网络执行两个基本功能，即模式分类器和非线性自适应滤波器。人工神经网络…… 阅读更多

人工神经网络比感知器模型具有更复杂的机制。多层人工神经网络中存在多种方法，如下所示 - 网络可以在其输入层和输出层之间包含多个中间层。这些中间层称为隐藏层，安装在这些层中的节点称为隐藏节点。得到的体系结构称为多层神经网络。在前馈神经网络中，一层中的节点仅连接到下一层中的节点。感知器是一个单层前馈神经网络，因为它具有…… 阅读更多

人工神经网络是一个建立在生物神经网络功能基础上的系统。它是生物神经系统的模拟。人工神经网络的特点是存在多种结构，需要多种算法方法，但无论系统多么复杂，神经网络都很容易使用。这些网络介于主管工具箱中特定的信号处理科学之间。该领域是高度跨学科的，但此技术将视野限制在工程视角。在工程领域，神经网络执行两个基本功能，即模式分类器和非线性自适应滤波器。人工神经网络…… 阅读更多

朴素贝叶斯分类器假设类条件独立性，即给定元组的类标签，属性的值被认为是相互条件独立的。这定义了评估。当假设成立时，因此，与多个分类器相比，朴素贝叶斯分类器是有效的。它可以表示联合条件概率分布。它们能够表示变量子集之间的类条件独立性。它们支持因果关系的图形结构，可以在其上实现学习。经过训练的贝叶斯信念网络用于分类。贝叶斯信念网络也称为信念网络，…… 阅读更多

贝叶斯分类器是统计分类器。它可以预测类成员概率，例如给定样本应用于特定类的概率。当贝叶斯分类器可以具有大型数据库时，它们也表现出很高的效率和速度。因为类是定义的，所以系统必须推断控制分类的规则，因此系统必须能够发现每个类的描述。描述必须定义训练集的预测属性，以便只有正实例必须满足描述，而不是负实例。如果规则的描述覆盖…… 阅读更多

最近邻规则通常产生较高的性能，而无需对绘制训练实例的分配进行先验假设。它包括正负案例的训练集。通过计算到最接近的训练案例的距离来定义新样本；然后该点的符号决定样本的分类。k-NN 分类器通过获取 k 个最近的点并生成多数的符号来增强此概念。通常选择 k 为小奇数以打破平局（通常为 1、3 或 5）。较大的 k 值有助于减少…… 阅读更多

RIPPER 是一种广泛使用的规则归纳算法。该算法几乎可以线性扩展到多个训练实例，并且特别适合从类分布过载的数据集中构建模型。RIPPER 还适用于噪声数据集，因为它使用验证集来防止模型过拟合。RIPPER 选择多数类作为其默认类，并了解识别少数类的规则。对于多类问题，类按其频率排序。令 (y1 y2...yc) 为有序类，其中 y1 是最不频繁的类，yc 是最频繁的类。在…… 阅读更多