فایل ورد کامل ترکیب اطلاعات نظارت شده با PCA از طریق انتخاب مولفه های تشخیصی

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 ترکیب اطلاعات نظارت شده با PCA از طریق انتخاب مولفه های تشخیصی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۳ صفحه

۵ نتیجه گیری
در اینجا، روش جدیدی برای بهره گیری از اطلاعات نظارت شده با الگوریتم های PCA مطرح می کنیم. در مقایسه با راههای سنتی، روش پیشنهادی از برچسب های کلاس برای انتخاب مولفه های تشخیصی از کل PC استفاده کرده و آنها را به صورت پیش بینی های جدید PCA حاصل می کنیم. به واسطه موفقیت های LDA و انتخاب ویژگی مبتنی بر نمره فیشر، از معیار فیشر برای ارزیابی توانایی تشخیص هر مولفه استفاده می کنیم. پس از ارزیابی، هر مولفه اطمینانی به نام نمره فیشر بدست می آورد که توان تشخیص مولفه ( توان تشخیصی) را نشان می دهد. بنابراین، می توان این مولفه ها را مجدداً طبق نمرات فیشرشان رتبه بندی و تشخیصی ترین مولفه ها را انتخاب نمود. حسن اصلی روش پیشنهادی آن است که ساختارهای اصلی مولفه ها را نقض نمی کند. به این دلیل، سمنتیک (معنای) مولفه ها را می توان حفظ نمود. ظاهراً، روش پیشنهادی نه تنها در الگوریتم های PCA بلکه همچنین در سایر الگوریتم های آماری چند متغیره غیرنظارت شده (بدون ناظر) کاربرد دارد.

عنوان انگلیسی:Combined supervised information with PCA via discriminative component selection~~en~~

۵ Conclusion

In this letter, we present a novel methodology to incorporate the supervised information with PCA algorithms. Different to the traditional ways, our method utilize the class labels to select discriminative components from whole PCs and yield them as a new PCA projections. Motivated by the successes of LDA and fisher score based feature selection, we use the fisher criterion to evaluate the discriminative ability of each component. After evaluation, each component will obtain a confidence named fisher score which indicates the discriminating power of the component. Therefore, we can re-rank these components according to these fisher scores and select the most discriminative components. The main advantage of our method is that it doesn’t break the original structures of components. For this reason, the semantics of the components can be kept. Apparently, our method is not only general to PCA algorithms but also general to the other unsupervised multivariate statistical algorithms.

$$en!!