बेयसियन क्लासिफायर सांख्यिकीय क्लासिफायर हैं। यह कक्षा सदस्यता संभावनाओं का पूर्वानुमान लगा सकता है, जैसे कि एक दिए गए नमूने की एक निश्चित कक्षा पर लागू होने की संभावना। बेयसियन क्लासिफायर ने बड़े डेटाबेस होने पर बड़ी दक्षता और गति भी दिखाई है। क्योंकि कक्षाएं परिभाषित हैं, सिस्टम को उन नियमों का अ

नाइव बेयसियन क्लासिफायर कक्षा सशर्त स्वतंत्रता की धारणा बनाता है, यानी, एक टुपल के कक्षा लेबल को देखते हुए, विशेषताओं के मूल्यों को एक-दूसरे से सशर्त रूप से अलग माना जाता है। यह मूल्यांकन को परिभाषित करता है। जब धारणा सच होती है, तो नाइव बेयसियन क्लासिफायर कई क्लासिफायर की तुलना में प्रभावी होता है

एक कृत्रिम तंत्रिका नेटवर्क जैविक तंत्रिका नेटवर्क के कार्यों पर आधारित एक प्रणाली है। यह एक जैविक तंत्रिका प्रणाली का अनुकरण है। कृत्रिम तंत्रिका नेटवर्क की विशेषता यह है कि कई संरचनाएं हैं, जिनके लिए कई एल्गोरिदम दृष्टिकोण की आवश्यकता होती है, लेकिन एक जटिल प्रणाली होने के बावजूद, एक तंत्रिका नेट

एक कृत्रिम तंत्रिका नेटवर्क में पर्सेप्ट्रॉन मॉडल की तुलना में अधिक जटिल तंत्र होता है। मल्टीलायर कृत्रिम तंत्रिका नेटवर्क में कई विधियां हैं जो निम्नलिखित हैं - नेटवर्क में इसके इनपुट और आउटपुट परतों के बीच कई मध्यवर्ती परतें शामिल हो सकती हैं। ऐसी मध्यवर्ती परतों को छिपी हुई परतों के रूप में जाना

एक कृत्रिम तंत्रिका नेटवर्क जैविक तंत्रिका नेटवर्क के कार्यों पर आधारित एक प्रणाली है। यह एक जैविक तंत्रिका प्रणाली का अनुकरण है। कृत्रिम तंत्रिका नेटवर्क की विशेषता यह है कि कई संरचनाएं हैं, जिनके लिए कई एल्गोरिदम विधियों की आवश्यकता होती है, लेकिन एक जटिल प्रणाली होने के बावजूद, एक तंत्रिका नेटवर

एक कृत्रिम तंत्रिका नेटवर्क जैविक तंत्रिका नेटवर्क के कार्यों पर आधारित एक प्रणाली है। यह एक जैविक तंत्रिका प्रणाली का अनुकरण है। कृत्रिम तंत्रिका नेटवर्क की विशेषता यह है कि कई संरचनाएं हैं, जिनके लिए कई एल्गोरिदम दृष्टिकोण की आवश्यकता होती है, लेकिन एक जटिल प्रणाली होने के बावजूद, एक तंत्रिका नेट

एक वर्गीकरण दृष्टिकोण जिसे काफी जांच मिली है वह है सपोर्ट वेक्टर मशीन (SVM)। इस दृष्टिकोण की जड़ें सांख्यिकीय सीखने के सिद्धांत में हैं और इसने कई व्यावहारिक अनुप्रयोगों में आशाजनक अनुभवजन्य परिणाम दिखाए हैं, हस्तलिखित अंक पहचान से लेकर टेक्स्ट वर्गीकरण तक। SVM उच्च-आयामी डेटा के साथ काम करता है और

एक वर्गीकरण दृष्टिकोण जिसे काफी जांच मिली है वह है सपोर्ट वेक्टर मशीन (SVM)। इस दृष्टिकोण की जड़ें सांख्यिकीय सीखने के सिद्धांत में हैं और इसने कई व्यावहारिक अनुप्रयोगों में आशाजनक अनुभवजन्य परिणाम दिखाए हैं, हस्तलिखित अंक पहचान से लेकर टेक्स्ट वर्गीकरण तक। SVM उच्च-आयामी डेटा के साथ भी काम करता है

एक आउटलेर एक डेटा ऑब्जेक्ट है जो अनिवार्य रूप से बाकी ऑब्जेक्ट्स से भिन्न होता है जैसे कि यह कई तंत्रों द्वारा उत्पादित किया गया हो। प्रदर्शन के उद्देश्य के लिए, यह उन डेटा ऑब्जेक्ट्स को परिभाषित कर सकता है जो आउटलेर नहीं हैं उन्हें सामान्य या अपेक्षित डेटा के रूप में। आमतौर पर, यह आउटलेर को असामान

कई परिकल्पनाओं को जोड़ने के प्रभाव को बायस-वेरिएंस विघटन नामक एक सैद्धांतिक उपकरण के माध्यम से जांचा जा सकता है। मान लें कि समान आकार के अनंत अलग प्रशिक्षण सेट हो सकते हैं और उनका उपयोग अनंत क्लासिफायर बनाने के लिए किया जाता है। एक टेस्ट उदाहरण को सभी क्लासिफायर द्वारा माना जाता है, और एक व्यक्तिगत

Weka डेटा माइनिंग सेवाओं के लिए मशीन लर्निंग एल्गोरिदम का एक समूह है। एल्गोरिदम को सीधे डेटासेट पर लागू किया जा सकता है या आपके अपने Java प्रोग्राम से। इसमें डेटा प्री-प्रोसेसिंग, वर्गीकरण, प्रतिगमन, क्लस्टरिंग, एसोसिएशन नियम, और विज़ुअलाइज़ेशन के लिए उपकरण शामिल हैं। यह नई मशीन लर्निंग योजनाओं के

सिंगल-एट्रिब्यूट इवैल्यूएटर में, इसे रैंकर खोज विधियों के साथ उपयोग किया जा सकता है ताकि एक रैंक की गई सूची बनाई जा सके जिससे रैंकर एक दी गई संख्या को छोड़ दे। इसका उपयोग रैंकसर्च विधि में भी किया जाता है। रिलीफ एट्रिब्यूट इवैल इंस्टेंस-आधारित है यह उदाहरणों को यादृच्छिक रूप से नमूना करता है और समा

परिकल्पना परीक्षण डेटा को कंपनी की निर्णय लेने की प्रक्रियाओं में एकीकृत करने का सबसे सरल दृष्टिकोण है। परिकल्पना परीक्षण का उद्देश्य पूर्वकल्पित विचारों को साबित या खंडन करना है, और यह लगभग सभी डेटा माइनिंग प्रयासों का एक हिस्सा है। डेटा माइनर्स तरीकों के बीच आगे-पीछे उछलते हैं, पहले देखे गए व्यवह

डेटा माइनिंग उपयोगी नए सहसंबंधों, पैटर्नों और प्रवृत्तियों को खोजने की प्रक्रिया है, जो रिपॉजिटरी में संग्रहीत बड़ी मात्रा में डेटा के माध्यम से, पैटर्न मान्यता प्रौद्योगिकियों का उपयोग करके, जिसमें सांख्यिकीय और गणितीय तकनीकें शामिल हैं। यह तथ्यात्मक डेटासेट का विश्लेषण है ताकि अनसुने संबंधों की ख

एक वेरिएबल ट्रांसफॉर्मेशन एक ट्रांसफॉर्मेशन को परिभाषित करता है जिसका उपयोग किसी चर के कुछ मूल्यों पर किया जाता है। अन्य शब्दों में, प्रत्येक वस्तु के लिए, क्रांति उस वस्तु के लिए चर के मूल्य पर उपयोग की जाती है। उदाहरण के लिए, यदि केवल एक चर का महत्व आवश्यक है, तो चर के मूल्यों को निरपेक्ष मूल्य ब

निर्णय वृक्ष प्रेरण क्लास-लेबल प्रशिक्षण टुपल्स से निर्णय वृक्षों का सीखना है। एक निर्णय वृक्ष एक अनुक्रमिक आरेख जैसी वृक्ष संरचना है, जहां प्रत्येक आंतरिक नोड (गैर-पत्ती नोड) एक विशेषता पर एक परीक्षण इंगित करता है, प्रत्येक शाखा परीक्षा के परिणाम को परिभाषित करती है, और प्रत्येक पत्ती नोड (या टर्म

निर्णय वृक्ष प्रेरण की विभिन्न विशेषताएं निम्नलिखित हैं - निर्णय वृक्ष प्रेरण वर्गीकरण मॉडल बनाने के लिए एक नॉनपैरामीट्रिक विधि है। अन्य शब्दों में, इसे कक्षा और विभिन्न विशेषताओं द्वारा संतुष्ट संभाव्यता वितरण के प्रकार के संबंध में किसी पूर्व धारणा की आवश्यकता नहीं है। एक इष्टतम निर्णय वृक्ष ढूंढ

प्रशिक्षण के दौरान एक मॉडल के सामान्यीकरण त्रुटि का अनुमान लगाने के लिए कई विधियां हैं। अनुमानित त्रुटि सीखने के एल्गोरिदम को मॉडल चयन करने में सहायता करती है; यानी, सही जटिलता के एक मॉडल की खोज करना जो ओवरफिटिंग से प्रभावित नहीं है। क्योंकि मॉडल का निर्माण किया गया है, इसका उपयोग टेस्ट सेट पर पहले

डेटा माइनिंग में एक लगातार समस्या यह है कि एक प्रतिगमन समीकरण का उपयोग करके एक आश्रित चर के मूल्य का पूर्वानुमान लगाया जाए जब कई चर उपलब्ध हों जिन्हें इस मॉडल में भविष्यवक्ताओं के रूप में चुना जा सकता है। एक और विचार कई चरों को इस उम्मीद में शामिल करने का पक्ष लेता है कि एक पहले से छिपा संबंध उभरेग

k-निकटतम-पड़ोसी एल्गोरिदम एक वर्गीकरण दृष्टिकोण है जो कक्षा सदस्यता (Y) और भविष्यवक्ताओं X₁, X₂, ... Xₙ के बीच संबंध की संरचना के बारे में धारणा नहीं बनाता है। यह एक नॉनपैरामीट्रिक दृष्टिकोण है क्योंकि इसमें एक ढीले फ़ंक्शन रूप में पैरामीटर्स के अनुमान शामिल नहीं हैं, जिसमें रैखिक प्रतिगमन में ढीले