فایل ورد کامل روشی برای ویرایش مجموعه آموزشی بر اساس مجموعه های راف

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

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 فایل ورد کامل روشی برای ویرایش مجموعه آموزشی بر اساس مجموعه های راف،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۵ صفحه

VI. نتیجه گیری
مطالعه امکان پذیری به کارگیری عناصر تئوری مجموعه‌ی راف در تحلیل داده در هنگامی که روش k-NN و شبکه عصبی MLP مورد استفاده قرار می گیرند، در این مقاله ارائه شده است. دو روش برای ویرایش مجموعه های آموزشی پیشنهاد داده شده است. نتایج تجربی نشان می دهد که استفاده از مجموعه‌های راف در ایجاد مجموعه های آموزشی به منظور بهبود کار روش k-NN و MLP امکان پذیر است. روش پیشنهادی در این مقاله به نتایج مشابهی با روش های با عملکرد بالا دست یافته است و این روش ها در برخی موارد به بهترین نتایج دست یافته اند. در نتیجه، به نظر ما این روش های جدید می توانند به عنوان روشی برای ویرایش مجموعه های آموزشی در روش k-NN و شبکه عصبی MLP در نظر گرفته شوند. نتایج به دست آمده از روش های Edit1RS و Edith2RS در بیشتر موارد در زمانی که B کاهش داشته است، بیشتر بوده است.
پیچیدگی محاسباتی الگوریتم های پیشنهادی بیشتر از O(ln2) نبوده و نزدیک به مقدار ایده آل O(n2) است در حالی که در باقیمانده الگوریتم ها این مقدار برابر با O(n3) است.

عنوان انگلیسی:A Method to Edit Training Set Based on Rough Sets~~en~~

VI. Conclusion

A study of the possibility of applying the elements of the Rough Set Theory in data analysis when the k-NN method and neural network MLP are used was presented in this paper. Two methods for the edition of training sets are proposed. Experimental results show that using rough sets to construct training sets to improve the work of the k-NN method and MLP are feasible. Our methods obtained similar results to the methods with high performance and these obtained the best result in some case. Therefore, we think these new methods can be taking into account for editing training sets in k-NN method and neural network MLP. The results obtained with the Edit1RS and Edith2RS methods were higher in the majority of cases when B is a reduct. The computational complexity of our algorithms don’t surpass O(ln2 ), near to the ideal value of O(n2 ), while in the rest of the algorithms it is of O(n3 ).

$$en!!