ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

بهبود دسته بندی کننده ی KNN به وسیله ی وزن دهی به روش نایوبیز

سال انتشار: 1396
کد COI مقاله: IPRIA03_048
زبان مقاله: فارسیمشاهده این مقاله: 426
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 7 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بهبود دسته بندی کننده ی KNN به وسیله ی وزن دهی به روش نایوبیز

فردین صبوری - دانشجوی کارشناسی ارشد، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان
حسن علی کرمی - دانشجوی کارشناسی ارشد، دانشکده مهندسی برق و کامپیوتر
محمدجواد فدایی اسلام - استادیار، دانشکده مهندسی برق و کامپیوتر

چکیده مقاله:

تاکنون الگوریتم های بسیاری مطابق با انواع داده ای مختلف از لحاظ ابعاد، تعداد و ماهیت جهت دسته بندی ارایه گردیده است. در اینمقاله سعی شده است با ترکیب و به کارگیری چند روش و الگوریتم مختلف به دقتی بالاتر نسبت به روشهای سنتی در زمینه ی دسته بندی داده هارسید. ازآنجاکه روشهای K نزدیکترین همسایه (KNN) و نایو بیز به عنوان حالتی خاص از قاعده ی بیز، الگوریتم هایی موثر و پرکاربرد در دسته بندیو خوشه بندی داده ها هستند، در این مقاله سعی شده که از آنها استفاده شود. بدین ترتیب که با استفاده از روش KNN داده های مشابه به نمونه یورودی انتخاب و سپس با استفاده از کرنل توابع پایه ای شعاعی (RBF) توزیع هر ویژگی برروی هر کلاس به دست آید، سپس به وسیله ی روش نایوبیز، احتمال های به دست آمده برای هر ویژگی از داده ی ورودی بر روی توزیع ها ترکیب و آن را به عنوان وزنی برای میزان تاثیر اعضای آن کلاس درروش KNN درنظر می گیریم. آزمایشات برروی سه مجموعه داده معروف Wine, Iris و Glass به روش یکی به کنار انجام شده است و به ترتیب بهدقت 96 درصد، 95 درصد و 75 درصد در دسته بندی آنها رسیده ایم که در هر سه مورد شاهد بهبود نتایج نسبت به روش KNN سنتی می باشیم.

کلیدواژه ها:

؛K نزدیکترین همسایه (KNN)، قواعد بیز، نایوبیز، توابع پایه ای شعاعی (RBF)

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا IPRIA03_048 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/638499/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
صبوری، فردین و علی کرمی، حسن و فدایی اسلام، محمدجواد،1396،بهبود دسته بندی کننده ی KNN به وسیله ی وزن دهی به روش نایوبیز،سومین کنفرانس بین المللی بازشناسی الگو و تحلیل تصویر ایران،شهرکرد،،،https://civilica.com/doc/638499

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1396، صبوری، فردین؛ حسن علی کرمی و محمدجواد فدایی اسلام)
برای بار دوم به بعد: (1396، صبوری؛ علی کرمی و فدایی اسلام)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 8,334
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی