Este es el comando pkfsann que se puede ejecutar en el proveedor de alojamiento gratuito de OnWorks utilizando una de nuestras múltiples estaciones de trabajo en línea gratuitas, como Ubuntu Online, Fedora Online, emulador en línea de Windows o emulador en línea de MAC OS.
PROGRAMA:
NOMBRE
pkfsann - selección de características para el clasificador nn
SINOPSIS
pkfsann -t la formación -n número [opciones] [avanzado opciones]
DESCRIPCIÓN
Los problemas de clasificación relacionados con datos de entrada de alta dimensión pueden ser un desafío debido a
el fenómeno de Hughes. Los datos hiperespectrales, por ejemplo, pueden tener cientos de
bandas y requieren especial atención al ser clasificados. En particular cuando es limitado
los datos de entrenamiento están disponibles, la clasificación de tales datos puede ser problemática sin
reduciendo la dimensión.
pkfsann implementa una serie de técnicas de selección de características, entre las cuales una secuencial
búsqueda flotante hacia adelante (SFFS). También considere el clasificador SVM implementado en pksvm(1)
que ha demostrado ser más robusto a este tipo de problemas que a otros.
OPCIONES
-t nombre de archivo, --capacitación nombre de archivo
archivo de vector de entrenamiento. Un solo archivo vectorial contiene todas las funciones de entrenamiento (debe ser
establecido como: B0, B1, B2, ...) para todas las clases (números de clase identificados por la opción de etiqueta).
Utilice varios archivos de entrenamiento para la agregación de bootstrap (alternativa a la bolsa y
opciones de bsize, donde se toma un subconjunto aleatorio de un solo archivo de entrenamiento)
-n número, --nf número
número de funciones para seleccionar (0 para seleccionar el número óptimo, consulte también --ecoste opción)
-i nombre de archivo, --aporte nombre de archivo
conjunto de prueba de entrada (déjelo en blanco para realizar una validación cruzada basada solo en el entrenamiento)
-v nivel, --verboso nivel
establecido en: 0 (solo resultados), 1 (matriz de confusión), 2 (depuración)
Opciones avanzadas
-tln ., --tln .
nombre (s) de la capa de entrenamiento
-etiqueta atributo, --etiqueta atributo
identificador para la etiqueta de clase en el archivo vectorial de entrenamiento. (predeterminado: etiqueta)
--equilibrio tamaño
equilibrar los datos de entrada con este número de muestras para cada clase (predeterminado: 0)
-aleatorio, --aleatorio
en caso de equilibrio, aleatorizar los datos de entrada
- mín. número, --min número
si el número de píxeles de entrenamiento es menor que mínimo, no tenga en cuenta esta clase
-b Número, --banda Número
índice de banda (comenzando desde 0, use la opción de banda o use de principio a fin)
-banda Número, - banda de inicio Número
número de secuencia de la banda de inicio
-ebanda Número, - diadema Número
número de secuencia de la banda final
-compensar valor, --compensar valor
valor de compensación para cada característica de entrada de banda espectral:
refl [banda] = (DN [banda] -desplazamiento [banda]) / escala [banda]
-escala valor, --escala valor
valor de escala para cada característica de entrada de banda espectral:
refl = (DN [banda] -desplazamiento [banda]) / escala [banda] (use 0 si la escala mínima y máxima en cada banda
a -1.0 y 1.0)
-a 0 | 1 | 2, --agregar 0 | 1 | 2
cómo combinar clasificadores agregados, ver también --rc opción (0: sin agregación, 1:
regla de suma, 2: regla máxima).
-Sm Método, --sm Método
método de selección de características (sffs = búsqueda secuencial flotante hacia adelante, sfs = secuencial
búsqueda hacia adelante, sbs, búsqueda secuencial hacia atrás, bfs = búsqueda de fuerza bruta)
-ecoste valor, --ecoste valor
epsilon para detener el criterio en la función de costo para determinar el número óptimo de
Características
-CV valor, --CV valor
Modo de validación cruzada n-veces (predeterminado: 0)
-c nombre , --clase nombre
lista de nombres de clases.
-r valor, --reclasificar valor
lista de valores de clase (use el mismo orden que en --clase opción).
-n número, --neurona número
número de neuronas en capas ocultas en la red neuronal (múltiples capas ocultas son
establecido mediante la definición de un número múltiple de neuronas: -nn 15 -nn 1, el predeterminado es uno oculto
capa con 5 neuronas)
--conexión 0 | 1
tasa de conexión (predeterminado: 1.0 para una red completamente conectada)
-w pesos, - pesos pesos
pesos para la red neuronal. Aplicar solo a la red completamente conectada, comenzando desde
primera neurona de entrada a la última neurona de salida, incluidas las neuronas de sesgo (última neurona
en cada capa, pero en la última)
-l y , --aprendiendo y
tasa de aprendizaje (predeterminado: 0.7)
--maxit número
número de iteraciones máximas (época) (predeterminado: 500)
Utilice pkfsann en línea utilizando los servicios de onworks.net