Runtime Optimization of Widrow-Haff Classification Algorithm Using Proper Learning Samples

سال انتشار: 1396
محل انتشار: چهارمین کنفرانس ملی فناوری اطلاعات، کامپیوتر و مخابرات
کد COI اختصاصی: ITCT04_150
زبان مقاله: انگلیسی
تعداد مشاهده: 615

دانلود فایل این مقاله

نویسندگان

Mir-Hossein Dezfoulian

Assistant Professor

S. Yunes Mirinezhad

Student

S. M. Hussein Mousavi

Student

Mehrdad Shafeii Mosleh

Student

چکیده

This study works on the runtime optimization of Widrow-Hoff classification algorithm. The use of proper learning samples has a significant effect on the runtime and accuracy of supervised classification algorithms, in special Widrow-Hoff classification algorithm. In this study with synthesizing Multi Class Instance Selection (MCIS) algorithm and Widrow-Hoff classification algorithm, the runtime of algorithm has significantly reduced. Results of this, of vantage sample of accuracy and time, have been assessed, and simulations are indicating MCIS with the aid of proper measures is able to select the data having most effectiveness on classification. In the case, if Widrow-Hoff classifier has less and important samples (achieved by MCIS), it would be able to save significant amount of time in classification process

کلیدواژه ها

Widrow-Hoff, Classification, Learning samples, Runtime Optimization, MCIS

مقالات مرتبط جدید

اطلاعات بیشتر در مورد 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.