فایل ورد کامل ویژگی و انتخاب مورد برای طبقه بندی کننده NN از طریق مجموعه های راف و الگوریتمهای الهام گرفته از طبیعت

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 ویژگی و انتخاب مورد برای طبقه بندی کننده NN از طریق مجموعه های راف و الگوریتمهای الهام گرفته از طبیعت،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۹ صفحه

طبقه بندی نظارت شده یکی از مهمترین زمینه های تحقیقاتی در جامعه هوش مصنوعی / هوش ماشینی است . جستجوی نزدیکترین همسایه (NN) یکی از ساده ترین و دقیق ترین رویکردهای طبقه بندی نظارت شده است . پیش پردازشِ مجموعه های آموزشی برای بدست آوردن نتایج طبقه بندی با کیفیت بالا بسیار ضروری است . این مقاله به معرفی ویژگی و انتخاب موردی الگوریتم با استفاده از مدلهای هیبریدی مبتنی بر تئوری مجموعه های راف و رویکرد الهام گرفته از طبیعت بمنظور بهبود عملکرد NN میپردازد . کارایی این مجموعه ها با توجه به پایگاه داده ها مورد بررسی قرار گرفته است ، و حاکی از دقت در طبقه بندی است در حالیک موارد و ویژگیهای خاصی را نیز ارزیابی میکند .

واژگان کلیدی : نزدیکترین همسایه | انتخاب مورد | انتخاب ویژگی .

عنوان انگلیسی:

Attribute and Case Selection for NN Classifier through Rough Sets and Naturally Inspired Algorithms

~~en~~ writers :

Yenny Villuendas-Rey and Maria Matilde Garcia-Lorenzo

Supervised classification is one of the most
active research fields in the Artificial Intelligence
community. Nearest Neighbor (NN) is one of the
simplest and most consistently accurate approaches to
supervised classification. The training set
preprocessing is essential for obtaining high quality
classification results. This paper introduces an attribute
and case selection algorithm using a hybrid Rough Set
Theory and naturally inspired approach to improve the
NN performance. The proposed algorithm deals with
mixed and incomplete, as well as imbalanced datasets.
Its performance was tested over repository databases,
showing high classification accuracy while keeping few
cases and attributes.

Keywords: Nearest neighbor | case selection | attribute selection.

$$en!!