Решение - задача - классификация
Cтраница 2
Установлено, что для решения задачи классификации кривой восстановления давления могут быть применены методы, основанные на искусственных нейронных сетях. [16]
Описываемый алгоритм предназначен для решения задачи классификации векторов рабочей выборки. Эта задача может решаться двумя - способами: восстановлением индикаторной функции и последующим вычислением ее значений на векторах рабочей выборки, либо непосредственно восстановлением значений индикаторной функции на векторах рабочей выборки. [17]
Линейные графики используются в решении задач классификации данных ( см. гл. В этих же главах рассмотрено использование точечных диаграмм ( см., например, поле корреляции в гл. [18]
Нейронные сети широко применяются для решения задач классификации. Построенную сеть сначала нужно обучить на примерах, для которых известны значения исходных данных и результаты. Процесс обучения сети заключается в подборе весов межнейронных связей и модификации внутренних параметров активационной функции нейронов. Обученная сеть способна классифицировать новые объекты ( или решать другие примеры), однако правила классификации остаются не известными пользователю. [19]
Применение аппарата семантических сетей для решения задач классификации и формирования понятий позволяет получать обобщенные представления множеств объектов, имеющие наглядную семантическую трактовку, и использовать в процессе обобщения семантику таких понятий, как признак, имя, класс, отношение. Роль языка представления наблюдений и классов ( понятий) играет выбираемый формализм семантической сети. [20]
Нейронные сети широко применяются для решения задач классификации. Построенную сеть сначала нужно обучить на примерах, для которых известны значения исходных данных и результаты. Процесс обучения сети заключается в подборе весов межнейронных связей и модификации внутренних параметров активационной функции нейронов. Обученная сеть способна классифицировать новые объекты ( или решать другие примеры), однако правила классификации остаются не известными пользователю. [21]
Применение аппарата семантических сетей для решения задач классификации и формирования понятий позволяет получать обобщенные представления множеств объектов, имеющих наглядную семантическую трактовку, и использовать в процессе обобщения семантику таких понятий, как признак, имя, класс, отношение. Роль языка представления наблюдений и классов ( понятий) играет в данном случае выбираемый формализм семантической сети. [22]
В табл. 5.10 приведены результаты решения задачи классификации по наличию атомов азота в молекулах для 31 исходного пика и после дополнительного отбора признаков. Исключенные признаки помечены одной звездочкой в табл. 5.9. И здесь не наблюдалось снижения распознающей или прогнозирующей способностей. Последняя составила 96 7 % для 31 признака и 98 % для 21 признака. [23]
Одним из важнейших вопросов при решении задач классификации является определение набора факторов, значения которых играют существенную роль при разделении объектов по группам. [24]
Одним из важнейших вопросов при решении задач классификации является набор факторов, значения которых играют существенную роль при распределении объектов по группам. [25]
Поэтому число реально используемых параметров для решения задач классификации, как правило, невелико. Однако многие параметры коррелируют между собой, в частности, несколько параметров могут отражать влияние одного действующего природного фактора. [26]
Метод главных констант был использован для решения задачи классификации газоконденсатных месторождений. [27]
Ввиду этого содержанием данной главы является решение задачи классификации пространств Эйнштейна трех типов по группам движений. [28]
 |
Зависимость z, от 22 для определения типа залежи. [29] |
Метод главных констант был использован для решения задачи классификации газоконденсатных месторождений. [30]
Страницы: 1 2 3 4