Báo cáo tài liệu vi phạm
Giới thiệu
Kinh doanh - Marketing
Kinh tế quản lý
Biểu mẫu - Văn bản
Tài chính - Ngân hàng
Công nghệ thông tin
Tiếng anh ngoại ngữ
Kĩ thuật công nghệ
Khoa học tự nhiên
Khoa học xã hội
Văn hóa nghệ thuật
Sức khỏe - Y tế
Văn bản luật
Nông Lâm Ngư
Kỹ năng mềm
Luận văn - Báo cáo
Giải trí - Thư giãn
Tài liệu phổ thông
Văn mẫu
THỊ TRƯỜNG NGÀNH HÀNG
NÔNG NGHIỆP, THỰC PHẨM
Gạo
Rau hoa quả
Nông sản khác
Sữa và sản phẩm
Thịt và sản phẩm
Dầu thực vật
Thủy sản
Thức ăn chăn nuôi, vật tư nông nghiệp
CÔNG NGHIỆP
Dệt may
Dược phẩm, Thiết bị y tế
Máy móc, thiết bị, phụ tùng
Nhựa - Hóa chất
Phân bón
Sản phẩm gỗ, Hàng thủ công mỹ nghệ
Sắt, thép
Ô tô và linh kiện
Xăng dầu
DỊCH VỤ
Logistics
Tài chính-Ngân hàng
NGHIÊN CỨU THỊ TRƯỜNG
Hoa Kỳ
Nhật Bản
Trung Quốc
Hàn Quốc
Châu Âu
ASEAN
BẢN TIN
Bản tin Thị trường hàng ngày
Bản tin Thị trường và dự báo tháng
Bản tin Thị trường giá cả vật tư
Tìm
Danh mục
Kinh doanh - Marketing
Kinh tế quản lý
Biểu mẫu - Văn bản
Tài chính - Ngân hàng
Công nghệ thông tin
Tiếng anh ngoại ngữ
Kĩ thuật công nghệ
Khoa học tự nhiên
Khoa học xã hội
Văn hóa nghệ thuật
Y tế sức khỏe
Văn bản luật
Nông lâm ngư
Kĩ năng mềm
Luận văn - Báo cáo
Giải trí - Thư giãn
Tài liệu phổ thông
Văn mẫu
NGÀNH HÀNG
NÔNG NGHIỆP, THỰC PHẨM
Gạo
Rau hoa quả
Nông sản khác
Sữa và sản phẩm
Thịt và sản phẩm
Dầu thực vật
Thủy sản
Thức ăn chăn nuôi, vật tư nông nghiệp
CÔNG NGHIỆP
Dệt may
Dược phẩm, Thiết bị y tế
Máy móc, thiết bị, phụ tùng
Nhựa - Hóa chất
Phân bón
Sản phẩm gỗ, Hàng thủ công mỹ nghệ
Sắt, thép
Ô tô và linh kiện
Xăng dầu
DỊCH VỤ
Logistics
Tài chính-Ngân hàng
NGHIÊN CỨU THỊ TRƯỜNG
Hoa Kỳ
Nhật Bản
Trung Quốc
Hàn Quốc
Châu Âu
ASEAN
BẢN TIN
Bản tin Thị trường hàng ngày
Bản tin Thị trường và dự báo tháng
Bản tin Thị trường giá cả vật tư
Thông tin
Tài liệu Xanh là gì
Điều khoản sử dụng
Chính sách bảo mật
0
Trang chủ
Công Nghệ Thông Tin
Cơ sở dữ liệu
Bài giảng Khai phá dữ liệu (Data mining): Dimensionality reduction and feature selection - Trịnh Tấn Đạt
Đang chuẩn bị liên kết để tải về tài liệu:
Bài giảng Khai phá dữ liệu (Data mining): Dimensionality reduction and feature selection - Trịnh Tấn Đạt
Mỹ Nga
15
81
pdf
Không đóng trình duyệt đến khi xuất hiện nút TẢI XUỐNG
Tải xuống
Bài giảng Khai phá dữ liệu (Data mining): Dimensionality reduction and feature selection, chương này trình bày những nội dung về: introduction to dimensionality reduction and feature selection; principal component analysis (PCA); fisher’s linear discriminant analysis (LDA); . Mời các bạn cùng tham khảo chi tiết nội dung bài giảng! | Trịnh Tấn Đạt Khoa CNTT Đại Học Sài Gòn Email trinhtandat@sgu.edu.vn Website https sites.google.com site ttdat88 Contents Introduction dimensionality reduction and feature selection Dimensionality Reduction Principal Component Analysis PCA Fisher s linear discriminant analysis LDA Example Eigenface Feature Selection Homework Introduction High-dimensional data often contain redundant features reduce the accuracy of data classification algorithms slow down the classification process be a problem in storage and retrieval hard to interpret visualize Why we need dimensionality reduction To avoid curse of dimensionality https en.wikipedia.org wiki Curse_of_dimensionality To reduce feature measurement cost To reduce computational cost Introduction Dimensionality reduction is one of the most popular techniques to remove noisy i.e. irrelevant and redundant features. Dimensionality reduction techniques feature extraction v.s feature selection feature extraction given N features set X extract M new features set Y by linear or non- linear combination of all the N features i.e. PCA LDA feature selection choose a best subset of highly discriminant features of size M from the available N features i.e. Information Gain ReliefF Fisher Score Dimensionality Reduction Principal component analysis PCA Variance v.s. Covariance Variance phương sai của một biến ngẫu nhiên là thước đo sự phân tán thống kê của biến đó nó hàm ý các giá trị của biến đó thường ở cách giá trị kỳ vọng bao xa. Low variance High variance Covariance hiệp phương sai là độ đo sự biến thiên cùng nhau của hai biến ngẫu nhiên phân biệt với phương sai - đo mức độ biến thiên của một biến N x x y y i i Cov X Y i 1 N 1 Principal component analysis PCA Mean expected value giá trị mong muốn biểu diễn giá trị trung bình của một biến. Standard Deviation Độ lệch chuẩn đo tính biến động của giá trị mang tính thống kê. Nó cho thấy sự chênh lệch về giá trị của từng thời điểm đánh giá so với giá trị trung bình. Principal component
TÀI LIỆU LIÊN QUAN
Bài giảng Khai phá dữ liệu (Data mining) - Chương 1: Tổng quan về khai phá dữ liệu
Bài giảng Khai phá dữ liệu (Data mining): Chương 7 - ĐH Bách khoa TP.HCM
Bài giảng Khai phá dữ liệu (Data mining): Chương 8 - ĐH Bách khoa TP.HCM
Bài giảng Khai phá dữ liệu (Data mining): Chương 1 - Lê Tiến
Bài giảng Khai phá dữ liệu (Data mining) - Chương 3: Khai phá luật kết hợp
Bài giảng Khai phá dữ liệu (Data mining) - Chương 2: Các vấn đề tiền xử lý dữ liệu
Bài giảng Khai phá dữ liệu (Data mining): Chương 6 - ĐH Bách khoa TP.HCM
Bài giảng Khai phá dữ liệu (Data mining): Chương 3 - Lê Tiến
Bài giảng Khai phá dữ liệu (Data mining): Chương 0: Giới thiệu môn học
Bài giảng Khai phá dữ liệu (Data mining): Chương 0 - Lê Tiến
Đã phát hiện trình chặn quảng cáo AdBlock
Trang web này phụ thuộc vào doanh thu từ số lần hiển thị quảng cáo để tồn tại. Vui lòng tắt trình chặn quảng cáo của bạn hoặc tạm dừng tính năng chặn quảng cáo cho trang web này.