Artificial Intelligence - هوش مصنوعی  
انجمن را در گوگل محبوب کنيد :

بازگشت   Artificial Intelligence - هوش مصنوعی > داده کاوی > فروکاهي داده ها يا(Data Reduction)


 
تبليغات سايت
Iranian Association for the Advancement of Artificial Intelligence
ارسال تاپيک جديد  پاسخ
 
LinkBack ابزارهاي تاپيک نحوه نمايش
قديمي ۰۶-۱۴-۱۳۸۹, ۰۹:۱۵ بعد از ظهر   #1 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,465
تشكرها: 754
16,337 تشكر در 3,127 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Wink روشهای مبتنی بر استخراج ويژگی و انتخاب ويژگي!

Dimensionality Reduction
روشهای مبتنی بر استخراج ويژگی و انتخاب ويژگي!
فايل ضميمه
نوع فايل: doc Dimensionality Reduction.doc (1.03 مگابايت, 1586 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
ehsanvb60 (۱۲-۱۰-۱۳۹۷), grayMath (۰۳-۱-۱۳۹۶), green_Dream (۱۲-۷-۱۳۹۱), hamraaz (۰۹-۲۲-۱۳۹۴), jafarzade (۰۷-۲۸-۱۳۹۵), jra_cp (۰۶-۲۹-۱۳۹۰), mahdikoochooloo (۰۱-۱۷-۱۳۹۳), mahtabi (۰۹-۱۷-۱۳۹۲), mehdi10421 (۰۱-۱۶-۱۳۹۴), mjalal (۰۲-۲۴-۱۳۹۲), mohamadreza.golab (۰۲-۲۲-۱۳۹۲), omidlolo (۰۹-۲-۱۳۸۹), Rahmatian (۰۶-۱۵-۱۳۹۰), saeedeh_kalhor (۰۳-۲۸-۱۳۹۰), samayeh (۰۱-۱۵-۱۳۹۳), shima85 (۰۷-۲۶-۱۳۹۳), ارکیده58 (۰۷-۱۵-۱۳۹۲)

  #ADS
نشان دهنده تبلیغات
تبليغگر
 
 
 
تاريخ عضويت: -
محل سكونت: -
سن: 2010
پست ها: -
 

نشان دهنده تبلیغات is online  
قديمي ۰۶-۲۹-۱۳۹۰, ۰۸:۵۶ قبل از ظهر   #2 (لینک دائم)
عضو جدید
 
آواتار jra_cp
 
تاريخ عضويت: تير ۱۳۸۸
پست ها: 3
تشكرها: 4
5 تشكر در 2 پست
پيش فرض

روش های مختلفی برای کاهش اندازه داده ها وجود دارد (Data Reduction):

1- روش های استخراج ویژگی Feature Extraction
2- روش های انتخاب ویژگی Feature Selection

در نوع اول، با ترکیب ویژگی ها و ایجاد مجموعه ای جدید از آن ها باعث کاهش ابعاد می شوند.(مثلا PCA)
در نوع دوم، بدون تغییر در ویژگی ها، تعدادی از آنها که مهمتر هستند انتخاب شده و بقیه حذف می شوند. (مثلا Rough Set Feature Selection)
jra_cp آفلاين است   پاسخ با نقل قول
از jra_cp تشكر كرده اند:
hamraaz (۰۹-۲۲-۱۳۹۴), mahdikoochooloo (۰۱-۱۷-۱۳۹۳), mohamadreza.golab (۰۲-۲۲-۱۳۹۲)
قديمي ۰۲-۱۸-۱۳۹۱, ۰۹:۵۶ بعد از ظهر   #3 (لینک دائم)
عضو جدید
 
آواتار onyxjoun
 
تاريخ عضويت: فروردين ۱۳۹۱
پست ها: 1
تشكرها: 0
0 تشكر در 0 پست
پيش فرض

سلام من پیاده سازی کد graph edit distance رو می خوام می خواستم بدونم کسی می تونه کمکم کنه؟
onyxjoun آفلاين است   پاسخ با نقل قول
قديمي ۰۹-۵-۱۳۹۱, ۱۲:۱۶ بعد از ظهر   #4 (لینک دائم)
عضو جدید
 
آواتار akrami
 
تاريخ عضويت: مرداد ۱۳۹۱
پست ها: 9
تشكرها: 1
1 تشكر در 1 پست
پيش فرض

نقل قول:
نوشته اصلي بوسيله Reyhane نمايش پست
Dimensionality Reduction
روشهای مبتنی بر استخراج ويژگی و انتخاب ويژگي!
سلام
ببخشید فایل pdf اینو ندارین؟ آخه باز نمیشه..
مرسی
akrami آفلاين است   پاسخ با نقل قول
قديمي ۰۲-۲۱-۱۳۹۲, ۰۹:۳۹ بعد از ظهر   #5 (لینک دائم)
عضو جدید
 
آواتار afshin051
 
تاريخ عضويت: ارديبهشت ۱۳۹۲
پست ها: 2
تشكرها: 0
1 تشكر در 1 پست
پيش فرض

با سلام و خسته نباشید
من دارم روی یک پروژه داده کاوی پیش بینی با استفاده از شبکه های عصبی کار میکنم
سوال من اینه که با چه دستور و کدی میتونم میزان تاثیر ویژگی ها یا همون داده های ورودی روی خروجی و نتیجه بدست بیارم ؟
یعنی من الان نتیجه گرفتم فقط می خوام تاثیر هر ویژگی یا همون فیلد ورودی روی نتیجه پیش بینی بدست بیارم
مثلا من 5 تا ویژگی (مثلا ویژگی اول جنسیت و ویِِژگی دوم سن افراد و...) به سیستم آموزش میدم حالا میخوام بفهمم کدومشون درصد بیشتر یا کمتری روی نتیجه پیش بینی داشته !!
از دوستان خواهش میکنم کمک کنید (ضروری)
afshin051 آفلاين است   پاسخ با نقل قول
قديمي ۰۲-۲۱-۱۳۹۲, ۱۰:۲۵ بعد از ظهر   #6 (لینک دائم)
Moderator
 
آواتار babak_1234
 
تاريخ عضويت: شهريور ۱۳۸۸
محل سكونت: تهران
پست ها: 252
تشكرها: 1
140 تشكر در 108 پست
My Mood: Khonsard
پيش فرض

نقل قول:
نوشته اصلي بوسيله afshin051 نمايش پست
با سلام و خسته نباشید
من دارم روی یک پروژه داده کاوی پیش بینی با استفاده از شبکه های عصبی کار میکنم
سوال من اینه که با چه دستور و کدی میتونم میزان تاثیر ویژگی ها یا همون داده های ورودی روی خروجی و نتیجه بدست بیارم ؟
یعنی من الان نتیجه گرفتم فقط می خوام تاثیر هر ویژگی یا همون فیلد ورودی روی نتیجه پیش بینی بدست بیارم
مثلا من 5 تا ویژگی (مثلا ویژگی اول جنسیت و ویِِژگی دوم سن افراد و...) به سیستم آموزش میدم حالا میخوام بفهمم کدومشون درصد بیشتر یا کمتری روی نتیجه پیش بینی داشته !!
از دوستان خواهش میکنم کمک کنید (ضروری)
سلام دوست من

یکی از روش های تعیین اهمیت ویژگی ها PCA هست.
وقتی از این روش استفاده میکنید eigenvalue ها مشخص کننده اهمیت بردار های ویژگی متناظر هستند. هرچقدر این مقدار بزرگتر باشه اهمیت بیشتری هم داره.
در ضمن correlation داده ها میتونه در این زمینه تاثیر گذار باشه. correlation زیاد بین ويژگی تاثیر کم اونها در کلاسبندی رو مشخص میکنه.

همینطور شما میتونید از KLDA برای Project کردن داده ها به فضای جدید استفاده کنید. مسلما در جایی که تفکیک کلاس ها بیشتر باشه اهمیت ویژگی ها نیز خودشونو نشون میدن.

فقط یک نکته دیگه این که با روش feature subset selection میتونید ویژگی های خودتونو با شبکه عصبی ارزیابی کنید. طبیعتا افزایش accuracy شبکه میتونه اهمیت ویژگی ها رو مشخص کنه. ولی این روش جایی مناسبه که بردار ویژگی شما ابعاد کمی داشته باشن.

موفق باشید
babak_1234 آفلاين است   پاسخ با نقل قول
از babak_1234 تشكر كرده اند:
Dark Knight (۰۶-۱۲-۱۳۹۴), hamraaz (۰۹-۲۲-۱۳۹۴), mohamadreza.golab (۰۲-۲۲-۱۳۹۲), ttaheri (۰۸-۴-۱۳۹۲)
قديمي ۰۲-۲۳-۱۳۹۲, ۰۳:۰۳ بعد از ظهر   #7 (لینک دائم)
عضو جدید
 
آواتار fammm
 
تاريخ عضويت: دي ۱۳۸۸
پست ها: 2
تشكرها: 0
0 تشكر در 0 پست
پيش فرض

سلام دوستان
پروژه من اینکه با شبکه عصبی یاد بگیره که ویژگی جدید که تو داده‌ها دیده شده چقدر اهمیت داره و با ویژگی‌های دیگر ارتباط داره یا نه؟ اگه ارتباط داره دارای چه الویتی هستش؟
اگه کسی می‌تونه راهنمایی کنه و یا کدی تو این مورد در مطلب داره خیلی خیلی ممنون می‌شم. واقعا نجاتم می‌ده.
با تشکر
fammm آفلاين است   پاسخ با نقل قول
قديمي ۰۲-۲۴-۱۳۹۲, ۰۱:۴۱ بعد از ظهر   #8 (لینک دائم)
Super Moderator
 
آواتار raha_hakhamanesh
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: دنیا
پست ها: 281
تشكرها: 28
253 تشكر در 147 پست
My Mood: Zodranj
پيش فرض

نقل قول:
نوشته اصلي بوسيله fammm نمايش پست
سلام دوستان
پروژه من اینکه با شبکه عصبی یاد بگیره که ویژگی جدید که تو داده‌ها دیده شده چقدر اهمیت داره و با ویژگی‌های دیگر ارتباط داره یا نه؟ اگه ارتباط داره دارای چه الویتی هستش؟
اگه کسی می‌تونه راهنمایی کنه و یا کدی تو این مورد در مطلب داره خیلی خیلی ممنون می‌شم. واقعا نجاتم می‌ده.
با تشکر

خب حالا چرا این سوال در بخش داده کاوی مطرح شده؟؟
بعدا توقع می کنید چرا کسی پاسخ نمیده!!
به قوانین توجه کنید
__________________
.
.
.
برای تشکر دکمه مخصوص وجود دارد لطفا پست هرز ایجاد نکنید
.
.
اینقدر از دسترسی نداشتن به مقاله شیون نکنید

مقالات انگلیسی: ایران سای (ISI, IEEE, ACM)
مقالات فارسی: سیویلیکا (کنفرانس داخلی)
مقالات فارسی: مگ ایران (ژورنالهای داخلی)
raha_hakhamanesh آفلاين است   پاسخ با نقل قول
قديمي ۰۲-۲۵-۱۳۹۲, ۰۷:۵۲ بعد از ظهر   #9 (لینک دائم)
عضو فوق فعال
 
آواتار kamran_kenzo
 
تاريخ عضويت: تير ۱۳۸۹
محل سكونت: Tehran
پست ها: 190
تشكرها: 4
91 تشكر در 74 پست
پيش فرض

سلام

برای انتخاب ویژگی های تاثیر گذار با استفاده از شبکه عصبی یک راه اینه که شما تک تک ویژگی ها را حذف و با بقیه ویژگی ها سیستمتون رو طراحی کنید و بر اساس دقت های بدست اومده ویژگی ها رو اولویت بندی کنید.
برای شناسایی رابطه بین ویژگی ها هم میتونید از همبستگی بین داده ها استفاده کنید. یا اینکه روش های مبتنی بر گراف استفاده کنید.

موفق باشید
kamran_kenzo آفلاين است   پاسخ با نقل قول
از kamran_kenzo تشكر كرده است:
smohammad68 (۰۱-۱۷-۱۳۹۳)
قديمي ۰۱-۱۷-۱۳۹۳, ۰۳:۰۴ بعد از ظهر   #10 (لینک دائم)
عضو جدید
 
آواتار smohammad68
 
تاريخ عضويت: اسفند ۱۳۸۹
محل سكونت: مشهد
پست ها: 8
تشكرها: 11
1 تشكر در 1 پست
ارسال پيغام Yahoo به smohammad68
پيش فرض

سلام
کسی مقاله فارسی در مورد روش رپر با الگوریتم pso برای انتخاب ویژگی داده سراغ داره؟
مقاله انگلیسی دارم اما می خواستم ببینم فارسی هم هست؟
تابع هزینه این مسئله رو زیاد متوجه نمیشم . و اینکه چرا باید حتما از pso باینری در این نوع مسئله استفاده بشه.
بیشتر مشکلم در شبیه سازی این مسئله هست . کلا این مسئله چه ارتباطی با svm میتونه داشته باشه؟
smohammad68 آفلاين است   پاسخ با نقل قول
پاسخ



كاربران در حال ديدن تاپيک: 1 (0 عضو و 1 مهمان)
 
ابزارهاي تاپيک
نحوه نمايش

قوانين ارسال
You may not post new threads
You may not post replies
You may not post attachments
You may not edit your posts

BB code is فعال
شکلکها فعال است
كد [IMG] فعال است
كدهاي HTML غير فعال است
Trackbacks are فعال
Pingbacks are فعال
Refbacks are فعال




زمان محلي شما با تنظيم GMT +3.5 هم اکنون ۰۳:۲۱ بعد از ظهر ميباشد.


Powered by vBulletin® Version 3.8.3
Copyright ©2000 - 2024, Jelsoft Enterprises Ltd.
Search Engine Friendly URLs by vBSEO 3.1.0 ©2007, Crawlability, Inc.

Teach and Learn at Hexib | Sponsored by www.Syavash.com and Product In Review

استفاده از مطالب انجمن در سایر سایت ها، تنها با ذکر انجمن هوش مصنوعي به عنوان منبع و لینک مستقیم به خود مطلب مجاز است

Inactive Reminders By Icora Web Design