pkfsann - En ligne dans le Cloud

PROGRAMME:

Nom

pkfsann - sélection de fonctionnalités pour le classificateur nn

SYNOPSIS

pkfsann -t Formation -n nombre [Options] [Avancée Options]

DESCRIPTION

Les problèmes de classification traitant des données d'entrée de grande dimension peuvent être difficiles en raison de
le phénomène Hughes. Les données hyperspectrales, par exemple, peuvent avoir des centaines de
bandes et nécessitent une attention particulière lors de leur classification. En particulier lorsqu'il est limité
données de formation sont disponibles, la classification de ces données peut être problématique sans
réduire la dimension.

pkfsann implémente un certain nombre de techniques de sélection de caractéristiques, parmi lesquelles une séquence
recherche flottante avant (SFFS). Considérez également le classificateur SVM implémenté dans pksvm(1),
qui s'est avéré plus robuste à ce type de problème que d'autres.

OPTIONS

-t nom de fichier, --entraînement nom de fichier
fichier vectoriel de formation. Un seul fichier vectoriel contient toutes les fonctionnalités d'entraînement (doit être
défini comme : B0, B1, B2,...) pour toutes les classes (numéros de classe identifiés par l'option d'étiquette).
Utilisez plusieurs fichiers de formation pour l'agrégation bootstrap (alternative au sac et
options bsize, où un sous-ensemble aléatoire est extrait d'un seul fichier d'apprentissage)

-n nombre, --nf nombre
nombre de fonctionnalités à sélectionner (0 pour sélectionner le nombre optimal, voir aussi --écoût option)

-i nom de fichier, --saisir nom de fichier
ensemble de tests d'entrée (laisser vide pour effectuer une validation croisée basée sur la formation uniquement)

-v niveau, --verbeux niveau
défini sur : 0 (résultats uniquement), 1 (matrice de confusion), 2 (débogage)

Options avancées

-tln couche, --tln couche
nom(s) de la couche d'entraînement

-étiquette attribuer, --étiqueter attribuer
identifiant de l'étiquette de classe dans le fichier vectoriel d'apprentissage. (par défaut : étiquette)

--équilibre longueur du câble
équilibrer les données d'entrée à ce nombre d'échantillons pour chaque classe (par défaut : 0)

-au hasard, --Aléatoire
en cas d'équilibre, randomiser les données d'entrée

-min nombre, --min nombre
si le nombre de pixels d'entraînement est inférieur à min, ne pas prendre en compte cette classe

-b bande, --bande bande
index de bande (à partir de 0, utilisez l'option de bande ou utilisez le début à la fin)

-bande bande, --bande de démarrage bande
numéro de séquence de la bande de début

-ebande bande, --bande d'extrémité bande
numéro de séquence de fin de bande

-décalage valeur, --décalage valeur
valeur de décalage pour chaque entité d'entrée de bande spectrale :
réf[bande]=(DN[bande]-décalage[bande])/échelle[bande]

-échelle valeur, --escalader valeur
valeur d'échelle pour chaque entité d'entrée de bande spectrale :
refl=(DN[band]-offset[band])/scale[band] (utiliser 0 si scale min et max dans chaque bande
à -1.0 et 1.0)

-a 0 | 1 | 2, --agrégat 0 | 1 | 2
comment combiner des classificateurs agrégés, voir aussi --rc option (0 : pas d'agrégation, 1 :
règle de somme, 2 : règle max).

-sm méthode, --sm méthode
méthode de sélection des caractéristiques (sffs=recherche flottante séquentielle, sfs=sequential
recherche avant, sbs, recherche arrière séquentielle, bfs=recherche par force brute)

-coût valeur, --écoût valeur
epsilon pour le critère d'arrêt dans la fonction de coût pour déterminer le nombre optimal de
Caractéristiques

-CV valeur, --CV valeur
mode de validation croisée n-fold (par défaut : 0)

-c nom, --classer nom
liste des noms de classe.

-r valeur, --reclasser valeur
liste des valeurs de classe (utilisez le même ordre que dans --classer option).

-n nombre, --neurone nombre
nombre de neurones dans les couches cachées du réseau de neurones (plusieurs couches cachées sont
défini en définissant plusieurs nombres de neurones : -nn 15 -nn 1, par défaut est un caché
couche à 5 neurones)

--lien 0 | 1
taux de connexion (par défaut : 1.0 pour un réseau entièrement connecté)

-w poids, --poids poids
poids pour le réseau de neurones. Appliquer uniquement au réseau entièrement connecté, à partir de
premier neurone d'entrée au dernier neurone de sortie, y compris les neurones de polarisation (dernier neurone
dans chaque mais dernière couche)

-l taux, --apprentissage taux
taux d'apprentissage (par défaut : 0.7)

--maxit nombre
nombre d'itérations maximum (époque) (par défaut : 500)

Utilisez pkfsann en ligne en utilisant les services onworks.net