बायेसियन क्लासिफायर सांख्यिकीय क्लासिफायरियर हैं। यह वर्ग सदस्यता की संभावनाओं का अनुमान लगा सकता है, जैसे कि किसी दिए गए नमूने के एक निश्चित वर्ग पर लागू होने की प्रायिकता। बायेसियन क्लासिफायर ने उच्च डेटाबेस होने पर भी बड़ी दक्षता और गति प्रदर्शित की है। क्योंकि कक्षाएं परिभाषित हैं, सिस्टम को उन

भोले बायेसियन क्लासिफायरियर वर्ग सशर्त स्वतंत्रता की धारणा बनाता है, अर्थात, एक टपल के वर्ग लेबल को देखते हुए, विशेषताओं के मूल्यों को सशर्त रूप से एक दूसरे से अलग माना जाता है। यह मूल्यांकन को परिभाषित करता है। जब धारणा सत्य को प्रभावित करती है, इसलिए भोले बायेसियन क्लासिफायरियर कई क्लासिफायर के व

एक कृत्रिम तंत्रिका नेटवर्क एक प्रणाली है जिसे जैविक तंत्रिका नेटवर्क के कार्यों पर रखा गया है। यह एक जैविक तंत्रिका तंत्र का अनुकरण है। कृत्रिम तंत्रिका नेटवर्क की विशेषता यह है कि कई संरचनाएं हैं, जिन्हें एल्गोरिदम के कई दृष्टिकोणों की आवश्यकता होती है, लेकिन एक जटिल प्रणाली होने के बावजूद, एक तंत

एक कृत्रिम तंत्रिका नेटवर्क में एक परसेप्ट्रोन मॉडल की तुलना में अधिक जटिल तंत्र होता है। बहुपरत कृत्रिम तंत्रिका नेटवर्क में कई विधियाँ हैं जो इस प्रकार हैं - नेटवर्क अपने इनपुट और आउटपुट परतों के बीच कई मध्यस्थ परतों को शामिल कर सकता है। इस तरह की 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 तंत्र का अनुकरण है। कृत्रिम तंत्रिका नेटवर्क की विशेषता यह है कि कई संरचनाएं हैं, जिनके लिए एल्गोरिदम के कई तरीकों की आवश्यकता होती है, लेकिन एक जटिल प्रणाली होने के बावजूद, एक तंत्रिका नेटवर्

एक कृत्रिम तंत्रिका नेटवर्क एक प्रणाली है जिसे जैविक तंत्रिका नेटवर्क के कार्यों पर रखा गया है। यह एक जैविक तंत्रिका तंत्र का अनुकरण है। कृत्रिम तंत्रिका नेटवर्क की विशेषता यह है कि कई संरचनाएं हैं, जिन्हें एल्गोरिदम के कई दृष्टिकोणों की आवश्यकता होती है, लेकिन एक जटिल प्रणाली होने के बावजूद, एक तंत

एक वर्गीकरण दृष्टिकोण जिसे काफी जांच मिली है वह है सपोर्ट वेक्टर मशीन (एसवीएम)। इस दृष्टिकोण की जड़ें सांख्यिकीय सीखने के सिद्धांत में हैं और हस्तलिखित अंकों की पहचान से लेकर पाठ वर्गीकरण तक, कई व्यावहारिक अनुप्रयोगों में आशाजनक अनुभवजन्य परिणाम प्रदर्शित किए हैं। एसवीएम उच्च-आयामी डेटा के साथ भी क

एक वर्गीकरण दृष्टिकोण जिसे काफी जांच मिली है वह है सपोर्ट वेक्टर मशीन (एसवीएम)। इस दृष्टिकोण की जड़ें सांख्यिकीय सीखने के सिद्धांत में हैं और हस्तलिखित अंकों की पहचान से लेकर पाठ वर्गीकरण तक, कई व्यावहारिक अनुप्रयोगों में आशाजनक अनुभवजन्य परिणाम प्रदर्शित किए हैं। एसवीएम उच्च-आयामी डेटा के साथ भी क

एक बाहरी एक डेटा ऑब्जेक्ट है जो अनिवार्य रूप से बाकी वस्तुओं से अलग हो जाता है जैसे कि यह कई तंत्रों द्वारा निर्मित किया गया था। प्रदर्शन की सामग्री के लिए, यह उन डेटा ऑब्जेक्ट्स को परिभाषित कर सकता है जो सामान्य या अपेक्षित डेटा के रूप में आउटलेयर नहीं हैं। आमतौर पर, यह आउटलेर्स को असामान्य डेटा के

कई परिकल्पनाओं में शामिल होने के प्रभाव को एक सैद्धांतिक उपकरण के माध्यम से जांचा जा सकता है जिसे पूर्वाग्रह-विचरण अपघटन कहा जाता है। मान लीजिए कि इसमें समान आकार के अलग-अलग प्रशिक्षण सेटों की अनंत संख्या हो सकती है और उनका उपयोग अनंत संख्या में क्लासिफायर बनाने के लिए किया जा सकता है। एक परीक्षण उ

Weka डेटा माइनिंग सेवाओं के लिए मशीन लर्निंग एल्गोरिदम का एक सेट है। एल्गोरिदम का उपयोग सीधे डेटासेट या आपके अपने जावा प्रोग्राम से किया जा सकता है। इसमें डेटा प्री-प्रोसेसिंग, वर्गीकरण, रिग्रेशन, क्लस्टरिंग, एसोसिएशन नियम और विज़ुअलाइज़ेशन के लिए टूल शामिल हैं। यह नई मशीन लर्निंग योजनाओं के निर्माण

एकल-विशेषता मूल्यांकनकर्ताओं में, इसका उपयोग रैंकर खोज विधियों के साथ एक रैंक सूची बनाने के लिए किया जा सकता है जिससे रैंकर किसी दिए गए नंबर को छोड़ देता है। इसका उपयोग रैंक खोज पद्धति में भी किया जाता है। रिलीफ एट्रीब्यूट इवल इंस्टेंस-आधारित है - यह बेतरतीब ढंग से उदाहरणों का नमूना लेता है और समान

परिकल्पना परीक्षण किसी कंपनी की निर्णय लेने की प्रक्रियाओं में डेटा को एकीकृत करने का सबसे सरल तरीका है। परिकल्पना परीक्षण का उद्देश्य पूर्वकल्पित विचारों की पुष्टि या खंडन करना है, और यह लगभग सभी डेटा माइनिंग प्रयासों का एक हिस्सा है। डेटा माइनर्स तरीकों के बीच आगे और पीछे उछाल प्रदान करते हैं, पह

डेटा माइनिंग सांख्यिकीय और गणितीय तकनीकों सहित पैटर्न पहचान तकनीकों का उपयोग करके, रिपॉजिटरी में सहेजे गए डेटा की एक उच्च मात्रा के माध्यम से उपयोगी नए सहसंबंध, पैटर्न और प्रवृत्तियों को खोजने की प्रक्रिया है। यह अनपेक्षित संबंधों की खोज करने के लिए तथ्यात्मक डेटासेट का विश्लेषण है और डेटा स्वामी के

एक चर परिवर्तन एक परिवर्तन को परिभाषित करता है जिसका उपयोग एक चर के कुछ मूल्यों के लिए किया जाता है। दूसरे शब्दों में, प्रत्येक वस्तु के लिए, क्रांति का उपयोग उस वस्तु के चर के मान के लिए किया जाता है। उदाहरण के लिए, यदि केवल एक चर का महत्व आवश्यक है, तो निरपेक्ष मान बनाकर चर के मानों को बदला जा सकत

डिसीजन ट्री इंडक्शन क्लास-लेबल ट्रेनिंग टुपल्स से डिसीजन ट्री की सीख 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 परीक्षण के परिणाम को परिभाषित करती है, और प्रत्येक पत्ता नोड (या टर्मिनल नोड

डिसीजन ट्री इंडक्शन की विभिन्न विशेषताएं इस प्रकार हैं - वर्गीकरण मॉडल के निर्माण के लिए निर्णय वृक्ष प्रेरण एक गैर-पैरामीट्रिक विधि है। दूसरे शब्दों में, वर्ग द्वारा संतुष्ट संभाव्यता वितरण के प्रकार और विभिन्न विशेषताओं के संबंध में इसे कुछ पिछली धारणाओं की आवश्यकता नहीं है। यह पाया जा सकता है क

प्रशिक्षण के दौरान किसी मॉडल की सामान्यीकरण त्रुटि का आकलन करने के लिए कई तरीके हैं। अनुमानित त्रुटि मॉडल पसंद करने के लिए सीखने के एल्गोरिदम का समर्थन करती है; यानी, सही जटिलता का एक मॉडल खोजने के लिए जो ओवरफिटिंग से प्रभावित नहीं होता है। क्योंकि मॉडल का निर्माण किया गया है, इसका उपयोग परीक्षण से

डेटा माइनिंग में एक लगातार समस्या यह है कि एक आश्रित चर के मूल्य का पूर्वानुमान लगाने के लिए एक प्रतिगमन समीकरण का उपयोग किया जाता है, जब इस मॉडल में भविष्यवक्ताओं के रूप में चयन करने के लिए कई चर उपलब्ध हो सकते हैं। एक और विचार इस उम्मीद में कई चरों को शामिल करने के पक्ष में है कि पहले से छिपा हुआ

एक k-निकटतम-पड़ोसी एल्गोरिथ्म एक वर्गीकरण दृष्टिकोण है जो वर्ग सदस्यता (Y) और भविष्यवक्ताओं X1 के बीच संबंध की संरचना के बारे में धारणाएं नहीं बनाता है। , एक्स2 ,…. एक्सएन । यह एक गैर-पैरामीट्रिक दृष्टिकोण है क्योंकि इसमें रेखीय प्रतिगमन में दिखाए गए रैखिक रूप सहित, एक दिखावा फ़ंक्शन रूप में पैरामी