پاورپوینت کامل کلاس بندی، مفاهیم اولیه ۳۰ اسلاید در PowerPoint

توجه : این فایل به صورت فایل power point (پاور پوینت) ارائه میگردد

 پاورپوینت کامل کلاس بندی، مفاهیم اولیه ۳۰ اسلاید در PowerPoint دارای ۳۰ اسلاید می باشد و دارای تنظیمات کامل در PowerPoint می باشد و آماده ارائه یا چاپ است

شما با استفاده ازاین پاورپوینت میتوانید یک ارائه بسیارعالی و با شکوهی داشته باشید و همه حاضرین با اشتیاق به مطالب شما گوش خواهند داد.

لطفا نگران مطالب داخل پاورپوینت نباشید، مطالب داخل اسلاید ها بسیار ساده و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی پاورپوینت کامل کلاس بندی، مفاهیم اولیه ۳۰ اسلاید در PowerPoint،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن پاورپوینت کامل کلاس بندی، مفاهیم اولیه ۳۰ اسلاید در PowerPoint :

پاورپوینت کامل کلاس بندی، مفاهیم اولیه ۳۰ اسلاید در PowerPoint

نوع فایل: پاورپوینت

قابل ویرایش ۲۷ اسلاید

^{کلاس بندی: مفاهیم پایه}

^{استنتاج درخت تصمیم}

^{معیارهای انتخاب صفت}

^{هرس کردن درخت}

کلاس بندی

پیش بینی برچسبهای کلاس (گسسته یا اسمی)

کلاس بندی داده ها(ساخت یک مدل) براساس مجموعه آموزشی و مقادیر (برچسب های کلاس)در یک صفت کلاس بندی و استفاده ازآن در کلاس بندی داده های جدید

پیش بینی عددی

مدل سازی توابع مقادیر پیوسته که مقادیر ناشناخته یا مفقود را پیش بینی می کند.

کاربردهای رایج:

تأیید وام یا اعتبار

تشخیص پزشکی: آیا یک تومور سرطانی است یا خوش خیم

تشخیص تقلب: آیا یک تراکنش جعلی است یا نه

طبقه بندی صفحات وب

پیش بینی عددی چه تفاوتی با کلاس بندی دارد؟

پیش بینی داده هم مانند کلاس بندی یک فرآیند دو مرحله ای است.

با این وجود برای پیش بینی، ما مفهمومی به نام صفت برچسب کلاس نداریم. زیرا صفتی که روی آن پیش بینی انجام می شود یک مقدار پیوسته (ترتیبی) است نه یک صفت قطعی (گسسته و غیرترتیبی)

مثال:یک کارمند بانک در بخش وام بانکی نیاز به تحلیل داده های خود دارد تا بتواند مشخص کند کدامیک از درخواست های دریافت وام برای بانک بی خطر و کدامیک برای بانک پرمخاطره هستند.

در اینجا تحلیل داده مستلزم کلاس بندی است تا یک مدل یا classifier برای پیش بینی عناوین کلاس ساخته شود. مانند safe یا risky

در این مثال برای پیش بینی مقدار (دلار) ی که باعث می شود وام دادن به یک درخواست کننده safe باشد، کار داده کاوی به جای کلاس بندی، پیش بینی خواهد بود.

صفت loan_decision را با loan amount که یک صفت با مقدار پیوسته است جایگزین کرده و یک پیشگو برای انجام کار میسازیم.