pkfsann - آنلاین در ابر

برنامه:

نام

pkfsann - انتخاب ویژگی برای طبقه بندی کننده nn

خلاصه

pkfsann -t پرورش -n عدد [گزینه های] [پیشرفته گزینه های]

شرح

مشکلات طبقه بندی مربوط به داده های ورودی با ابعاد بالا می تواند چالش برانگیز باشد
پدیده هیوز به عنوان مثال، داده های فراطیفی می توانند صدها طیفی داشته باشند
باندها و هنگام طبقه بندی نیاز به توجه ویژه دارند. به ویژه زمانی که محدود است
داده های آموزشی در دسترس هستند، طبقه بندی چنین داده هایی بدون آن می تواند مشکل ساز باشد
کاهش ابعاد

pkfsann تعدادی از تکنیک‌های انتخاب ویژگی را پیاده‌سازی می‌کند که در میان آنها یک روش متوالی وجود دارد
جستجوی رو به جلو شناور (SFFS). همچنین طبقه بندی کننده SVM را در نظر بگیرید pksvm(1)
که نشان داده شده است که نسبت به این نوع مشکلات قوی تر از سایرین است.

OPTIONS

-t نام فایل, --آموزش نام فایل
فایل وکتور آموزشی. یک فایل برداری شامل تمام ویژگی های آموزشی است (باید باشد
برای همه کلاس‌ها به‌عنوان: B0، B1، B2،...) تنظیم کنید (اعداد کلاس‌ها با گزینه برچسب مشخص می‌شوند).
از چندین فایل آموزشی برای تجمع بوت استرپ (جایگزین کیف و
گزینه های bsize، که در آن یک زیر مجموعه تصادفی از یک فایل آموزشی گرفته می شود)

-n عدد, --nf عدد
تعداد ویژگی هایی که باید انتخاب کنید (0 برای انتخاب تعداد بهینه، همچنین ببینید -- هزینه گزینه)

-i نام فایل, -- ورودی نام فایل
مجموعه تست ورودی (برای انجام اعتبارسنجی متقاطع فقط بر اساس آموزش، خالی بگذارید)

-v سطح, -- پرحرف سطح
تنظیم روی: 0 (فقط نتایج)، 1 (ماتریس سردرگمی)، 2 (اشکال زدایی)

گزینه های پیشرفته

-tln لایه, -- tln لایه
نام(های) لایه آموزشی

-برچسب صفت, --برچسب صفت
شناسه برچسب کلاس در فایل وکتور آموزشی. (پیش‌فرض: برچسب)

-- تعادل اندازه
تعادل داده های ورودی را با این تعداد نمونه برای هر کلاس (پیش فرض: 0)

-تصادفی, --تصادفی
در صورت تعادل، داده های ورودی را تصادفی کنید

-من عدد, -- دقیقه عدد
اگر تعداد پیکسل های آموزشی کمتر از min است، این کلاس را در نظر نگیرید

-b باند, --باند باند
شاخص باند (شروع از 0، یا از گزینه باند استفاده کنید یا از شروع تا پایان استفاده کنید)

-Sband باند, --استارت باند باند
شماره دنباله باند شروع

-eband باند, -- endband باند
شماره دنباله باند انتهایی

-انحراف ارزش, --انحراف ارزش
مقدار افست برای هر ویژگی ورودی باند طیفی:
refl[band]=(DN[band]-offset[band]/scale[band]

مقیاس ارزش, -- مقیاس ارزش
مقدار مقیاس برای هر ویژگی ورودی باند طیفی:
refl=(DN[band]-offset[band])/scale[band] (اگر مقیاس حداقل و حداکثر در هر باند از 0 استفاده کنید
به -1.0 و 1.0)

-a 0 | 1 | 2, -- توده 0 | 1 | 2
نحوه ترکیب طبقه‌بندی‌کننده‌های انبوه، همچنین ببینید --rc گزینه (0: بدون تجمع، 1:
قانون جمع، 2: قانون حداکثر).

-sm روش, --sm روش
روش انتخاب ویژگی (sffs = جستجوی متوالی شناور رو به جلو، sfs = متوالی
جستجوی جلو، sbs، جستجوی متوالی به عقب، bfs=جستجوی brute force)

-هزینه ارزش, -- هزینه ارزش
اپسیلون برای معیار توقف در تابع هزینه برای تعیین تعداد بهینه
امکانات

-CV ارزش, --رزومه ارزش
حالت اعتبارسنجی متقاطع n برابر (پیش‌فرض: 0)

-c نام, -- کلاس نام
لیست نام کلاس ها

-r ارزش, --تجدید کلاس ارزش
لیست مقادیر کلاس (از همان ترتیبی که در آن استفاده شده است استفاده کنید -- کلاس گزینه).

-n عدد, -- نورون عدد
تعداد نورون ها در لایه های پنهان در شبکه عصبی (لایه های پنهان چندگانه هستند
با تعریف چند نورون تنظیم می شود: -nn 15 -nn 1، پیش فرض یکی پنهان است
لایه ای با 5 نورون)

--ارتباط 0 | 1
نرخ اتصال (پیش‌فرض: 1.0 برای یک شبکه کاملاً متصل)

-w وزن, --وزن ها وزن
وزن برای شبکه عصبی فقط برای شبکه کاملا متصل اعمال شود، شروع از
اولین نورون ورودی تا آخرین نورون خروجی، از جمله نورون های سوگیری (آخرین نورون
در هر لایه به جز آخرین لایه)

-l نرخ, --یادگیری نرخ
نرخ یادگیری (پیش‌فرض: 0.7)

-- maxit عدد
تعداد حداکثر تکرار (عصر) (پیش‌فرض: 500)

با استفاده از خدمات onworks.net از pkfsann به صورت آنلاین استفاده کنید