Mikolaj Morzy's Workflows

Search filter terms
Filter by type
Filter by licence
Results per page:
Sort by:
Showing 26 results. Use the filters on the left and the search box below to refine the results.

Workflow Uczenie z macierza kosztow (1)

Thumb
Przeplyw pokazuje wykorzystanie operatora MetaCost, umozliwiajacego wprowadzenie macierzy kosztow do procesu uczenia klasyfikatora na przykladzie naiwnego klasyfikatora Bayesa.

Created: 2011-05-25 | Last updated: 2014-03-23

Workflow Algorytmy k-Means i k-Medoids (1)

Thumb
Przeplyw pokazuje zastosowanie algorytmow k-Means i k-Medoids do przeprowadzenia analizy skupien. Analizie podlega zbiór danych Iris, przy czym oryginalne dane zostaly przetransformowane z przestrzeni 4-wymiarowej do przestrzeni 2-wymiarowej za pomoca operatora Singular Value Decomposition. Redukcja liczby wymiarow ma na celu uproszczenie wizualizacji wynikowych modeli.

Created: 2011-05-11 | Last updated: 2013-08-19

Workflow Odkrywanie regul asocjacyjnych za pomoca a... (1)

Thumb
Workflow pokazuje sposób wykorzystania operatorow Apriori i PredictiveApriori (z narzedzia Weka) do odkrywania regul‚ asocjacyjnych. Operator Set Role zostal wykorzystany do tego, aby atrybut Play (który w oryginale jest zmienna celu) byl potraktowany jak zwyczajny atrybut.

Created: 2011-03-31 | Last updated: 2013-05-30

Workflow Algorytm EM (1)

Thumb
Proces pokazuje przypadek wykorzystania algorytmu analizy skupien dzialajacego wedlug zasady expectation maximization (EM), czyli dopasowywania rozkladow do obserwowanego zbioru danych.

Created: 2011-05-11 | Last updated: 2013-08-19

Workflow Algorytm DBScan (1)

Thumb
Przeplyw ilustruje sposob wykorzystania algorytmu DBScan do znalezienia modelu skupien. Algorytm DBScan jest przykladem algorytmu bazujacego na gestosci, parametr epsilon wskazuje na promien sasiedztwa, a parametr min points wskazuje na minimalna liczbe punktow, jakie musza sie znalezc w sasiedztwie punktu aby kontynuowac rozrastanie sie skupienia.

Created: 2011-05-11 | Last updated: 2013-08-19

Workflow Wybor parametru k dla algorytmu k-Means (1)

Thumb
Proces pokazuje, w jaki sposob mozna eksperymentalnie dobrac wlasciwe wartosci parametru k (liczba poszukiwanych skupien) dla algorytmow k-Means i k-Medoids. Jako miary oceny podzialu wykorzystano srednia odleglosc od centroidu oraz indeks Daviesa-Bouldina

Created: 2011-05-11 | Last updated: 2013-08-19

Workflow Wybor poczatkowego podzialu dla algorytmu ... (1)

Thumb
Proces pokazuje, w jaki sposob mozna zautomatyzowac proces znajdowania najlepszego poczatkowego wyboru centroidow uniezalezniajac sie (do pewnego stopnia) od wplywu losowania.

Created: 2011-05-11 | Last updated: 2013-08-19

Workflow Wykorzystanie klasyfikatora binarnego do k... (1)

Thumb
Wiele klasyfikatorów (np. SVM) pozwala na klasyfikacjÄ™ jedynie w przypadku gdy zmienna celu jest binarna. Poniższy przepÅ‚yw pokazuje, w jaki sposób operator Polynomial By Binomial Classificaiton pozwala agregować odpowiedzi klasyfikatorów binarnych dla przypadków, w których zmienna celu zawiera wiele różnych wartoÅ›ci.

Created: 2011-05-25 | Last updated: 2011-05-25

Workflow Prosty przykład metody Voting (1)

Thumb
Ten prosty przykład ilustruje wykorzystanie operatora Voting do przeprowadzenia głosowania większościowego. W zagnieżdżonym operatorze umieszczono przykładowe trzy modele bazowe (drzewo decyzyjne, sieć neuronowa, SVN), odpowiedź z operatora Voting to zwykłe głosowanie.

Created: 2011-05-25 | Last updated: 2011-05-25

Workflow Przykład metody Stacking (1)

Thumb
Poniższy przepÅ‚yw pokazuje wykorzystanie operatora Stacking do tworzenia meta-klasyfikatorów. Operator Stacking pozwala na zagnieżdżenie dowolnej liczby modeli bazowych, które bÄ™dÄ… równolegle uczone na zbiorze uczÄ…cym. Drugim operatorem zagnieżdżonym jest model klasyfikatora, który uczy siÄ™ na odpowiedziach modeli bazowych (czyli buduje model modeli odpowiedzi). W przykÅ‚adzie jako modele bazowe wykorzystano: drzewo decyzyjne, algorytm k-NN, sieć neurono...

Created: 2011-05-25 | Last updated: 2011-05-25

Results per page:
Sort by: