myExperiment - Workflows

« Previous 1 2 3 Next »

Results per page:

Sort by:

Showing 26 results. Use the filters on the left and the search box below to refine the results.

RapidMiner

Uploader

Mikolaj Morzy

Prosty przykÅ‚ad algorytmu AdaBoost (1)

Download

PrzepÅ‚yw obrazuje przykÅ‚ad wykorzystania algorytmu AdaBoost. W kolejnych teracjach metoda modyfikuje przykÅ‚ady ze zbioru uczÄ…cego, przypisujÄ…c wiÄ™kszÄ… wagÄ™ przykÅ‚adom bÅ‚Ä™dnie sklasyfikowanym we wczeÅ›niejszych iteracjach.

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

RapidMiner

Uploader

Mikolaj Morzy

Przyklad metody Bagging (1)

Download

Proces pokazuje przykÅ‚ad wykorzystania metody Bagging do tworzenia zloÅ¼onych klasyfikatorów. Metoda generuje 10 niezaleÅ¼nych modeli drzewa decyzyjnego (kaÅ¼dy na podstawie 90% próbki zbioru uczÄ…cego). Ostateczna odpowiedÅº jest wynikiem gÅ‚osowania.

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

RapidMiner

Uploader

Mikolaj Morzy

Odkrywanie reguÅ‚ asocjacyjnych za pomocÄ…... (1)

Download

Proces pokazuje wykorzystanie algorytmu FP-Growth do odkrywania reguÅ‚ asocjacyjnych. NaleÅ¼y zwróciÄ‡ uwagÄ™ na to, Å¼e implementacja algorytmu FP-Growth akceptuje jedynie atrybuty binominalne, zatem zachodzi koniecznoÅ›Ä‡ zamiany wszystkich atrybutów numerycznych i nominalnych na binominalne.

Created: 2011-03-30 | Last updated: 2011-03-30

RapidMiner

Uploader

Mikolaj Morzy

WybÃ³r atrybutÃ³w na podsatwie algorytmu z... (1)

Download

Workflow pokazuje uÅ¼ycie algorytmu zachÅ‚annego do wyboru cech. Algorytm moÅ¼e wykonywaÄ‡ zarówno wyboru progresywnego (forward selection) jak i selekcji wstecznej (backward selection). Do oceny jakoÅ›ci rozwiÄ…zania algorytm wykorzystuje klasyfikator k-najbliÅ¼szych sÄ…siadów i 10-krotnÄ… walidacjÄ™ krzyÅ¼owÄ….

Created: 2011-03-23 | Last updated: 2011-03-23

RapidMiner

Uploader

Mikolaj Morzy

WybÃ³r atrybutÃ³w na podstawie algorytmu g... (1)

Download

Workflow przedstawia wykorzystanie algorytmu genetycznego do znalezienia optymalnego zbioru atrybutów. Wybór atrybutów odbywa siÄ™ na podstawie sprawdzenia jakoÅ›ci klasyfikacji. Wykorzystanym klasyfikatorem jest algorytm k-najbliÅ¼szych sÄ…siadów, zbiór danych jest dzielony na zbiór uczÄ…cy i zbiór testujÄ…cy w proporcji 70%-30%. WyjÅ›ciowy algorytm genetyczny wykorzystuje populacje o rozmiarze 10, ograniczajÄ…c liczbÄ™ pokoleÅ„ do 30.