دانلود ترجمه مقاله متدی جهت تنظیم آموزش مبتنی بر مجموعه Rough

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” متدی جهت تنظیم آموزش مبتنی بر مجموعه Rough ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده
I. مقدمه
II. تکنیک‌هایی برای ویرایش و کاهش مجموعه‌های آموزشی
الگوریتم شرینک
تپه‌نوردی جهش تصادفی
طول کدگذاری (ELGrow)
کاوش
III. تئوری مجموعه‌های راف در ویرایش مجموعه‌های آموزشی
الگوریتم Edit1RS
الگوریتم Edit2RS
IV. روش k-NN و نتایج تجربی
V. شبکه عصبی MLP و نتایج تجربی
VI. نتیجه گیری

• بخشی از ترجمه:

VI. نتیجه گیری
مطالعه امکان پذیری به کارگیری عناصر تئوری مجموعه‌ی راف در تحلیل داده در هنگامی که روش k-NN و شبکه عصبی MLP مورد استفاده قرار می گیرند، در این مقاله ارائه شده است. دو روش برای ویرایش مجموعه های آموزشی پیشنهاد داده شده است. نتایج تجربی نشان می دهد که استفاده از مجموعه‌های راف در ایجاد مجموعه های آموزشی به منظور بهبود کار روش k-NN و MLP امکان پذیر است. روش پیشنهادی در این مقاله به نتایج مشابهی با روش های با عملکرد بالا دست یافته است و این روش ها در برخی موارد به بهترین نتایج دست یافته اند. در نتیجه، به نظر ما این روش های جدید می توانند به عنوان روشی برای ویرایش مجموعه های آموزشی در روش k-NN و شبکه عصبی MLP در نظر گرفته شوند. نتایج به دست آمده از روش های Edit1RS و Edith2RS در بیشتر موارد در زمانی که B کاهش داشته است، بیشتر بوده است.
پیچیدگی محاسباتی الگوریتم های پیشنهادی بیشتر از O(ln2) نبوده و نزدیک به مقدار ایده آل O(n2) است در حالی که در باقیمانده الگوریتم ها این مقدار برابر با O(n3) است.

• بخشی از مقاله انگلیسی:

VI. Conclusion

A study of the possibility of applying the elements of the Rough Set Theory in data analysis when the k-NN method and neural network MLP are used was presented in this paper. Two methods for the edition of training sets are proposed. Experimental results show that using rough sets to construct training sets to improve the work of the k-NN method and MLP are feasible. Our methods obtained similar results to the methods with high performance and these obtained the best result in some case. Therefore, we think these new methods can be taking into account for editing training sets in k-NN method and neural network MLP. The results obtained with the Edit1RS and Edith2RS methods were higher in the majority of cases when B is a reduct. The computational complexity of our algorithms don’t surpass O(ln2 ), near to the ideal value of O(n2 ), while in the rest of the algorithms it is of O(n3 ).

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله