pkfsann - क्लाउड में ऑनलाइन

कार्यक्रम:

नाम

pkfsann - एनएन क्लासिफायरियर के लिए सुविधा चयन

SYNOPSIS

pkfsan -t ट्रेनिंग -n संख्या [विकल्पों] [उन्नत विकल्पों]

वर्णन

उच्च आयामी इनपुट डेटा से निपटने वाली वर्गीकरण समस्याएं चुनौतीपूर्ण हो सकती हैं
ह्यूजेस घटना. उदाहरण के लिए, हाइपरस्पेक्ट्रल डेटा में सैकड़ों स्पेक्ट्रल हो सकते हैं
वर्गीकृत किए जाने पर बैंड और विशेष ध्यान देने की आवश्यकता होती है। विशेषकर जब सीमित हो
प्रशिक्षण डेटा उपलब्ध हैं, ऐसे डेटा का वर्गीकरण बिना समस्याग्रस्त हो सकता है
आयाम को कम करना.

pkfsan कई फीचर चयन तकनीकों को लागू करता है, जिनमें से एक अनुक्रमिक है
फ्लोटिंग फॉरवर्ड सर्च (एसएफएफएस)। में कार्यान्वित एसवीएम क्लासिफायरियर पर भी विचार करें pksvm(1)
जिसे अन्य की तुलना में इस प्रकार की समस्या के लिए अधिक मजबूत दिखाया गया है।

विकल्प

-t फ़ाइल का नाम, --प्रशिक्षण फ़ाइल का नाम
प्रशिक्षण वेक्टर फ़ाइल। एक एकल वेक्टर फ़ाइल में सभी प्रशिक्षण सुविधाएँ होती हैं (होनी चाहिए
के रूप में सेट करें: B0, B1, B2,...) सभी वर्गों के लिए (लेबल विकल्प द्वारा पहचाने गए वर्ग संख्या)।
बूटस्ट्रैप एकत्रीकरण के लिए एकाधिक प्रशिक्षण फ़ाइलों का उपयोग करें (बैग का विकल्प और
आकार विकल्प, जहां एक एकल प्रशिक्षण फ़ाइल से एक यादृच्छिक उपसमूह लिया जाता है)

-n संख्या, --एनएफ संख्या
चयन करने के लिए सुविधाओं की संख्या (इष्टतम संख्या का चयन करने के लिए 0, यह भी देखें --पर्यावरण विकल्प)

-i फ़ाइल का नाम, --इनपुट फ़ाइल का नाम
इनपुट परीक्षण सेट (केवल प्रशिक्षण के आधार पर क्रॉस सत्यापन करने के लिए खाली छोड़ें)

-v स्तर, --शब्दशः स्तर
इस पर सेट करें: 0 (केवल परिणाम), 1 (भ्रम मैट्रिक्स), 2 (डीबग)

उन्नत विकल्प

-टीएलएनई परत, --tln परत
प्रशिक्षण परत का नाम

-लेबल गुण, --लेबल गुण
प्रशिक्षण वेक्टर फ़ाइल में वर्ग लेबल के लिए पहचानकर्ता। (डिफ़ॉल्ट: लेबल)

--संतुलन आकार
प्रत्येक वर्ग के लिए इनपुट डेटा को नमूनों की इस संख्या में संतुलित करें (डिफ़ॉल्ट: 0)

-गर्मी, --यादृच्छिक रूप से
संतुलन के मामले में, इनपुट डेटा को यादृच्छिक करें

सफाई MIN संख्या, --मिन संख्या
यदि प्रशिक्षण पिक्सेल की संख्या कम है तो न्यूनतम, इस वर्ग को ध्यान में न रखें

-b बैंड, --बैंड बैंड
बैंड इंडेक्स (0 से शुरू करके, या तो बैंड विकल्प का उपयोग करें या शुरू से अंत तक का उपयोग करें)

-सबंद बैंड, --स्टार्टबैंड बैंड
प्रारंभ बैंड क्रम संख्या

-ईबंद बैंड, --एंडबैंड बैंड
अंत बैंड अनुक्रम संख्या

-ऑफसेट मूल्य, --ऑफसेट मूल्य
प्रत्येक वर्णक्रमीय बैंड इनपुट सुविधाओं के लिए ऑफ़सेट मान:
रेफ्ल [बैंड] = (डीएन [बैंड] -ऑफ़सेट [बैंड])/स्केल [बैंड]

-काले मूल्य, --पैमाना मूल्य
प्रत्येक वर्णक्रमीय बैंड इनपुट सुविधाओं के लिए स्केल मान:
refl=(DN[band]-offset[band])/scale[band] (यदि प्रत्येक बैंड में स्केल न्यूनतम और अधिकतम है तो 0 का उपयोग करें
से -1.0 और 1.0)

-a 0 | 1 | 2, --एग्रीग 0 | 1 | 2
समेकित क्लासिफायर को कैसे संयोजित करें, यह भी देखें --आरसी विकल्प (0: कोई एकत्रीकरण नहीं, 1:
योग नियम, 2: अधिकतम नियम)।

-एसएम तरीका, --एसएम तरीका
सुविधा चयन विधि (sffs=अनुक्रमिक फ़्लोटिंग फ़ॉरवर्ड खोज, sfs=अनुक्रमिक
आगे की खोज, एसबीएस, अनुक्रमिक पिछड़ी खोज, बीएफएस = क्रूर बल खोज)

-इकोस्ट मूल्य, --पर्यावरण मूल्य
इष्टतम संख्या निर्धारित करने के लिए लागत फ़ंक्शन में मानदंड को रोकने के लिए ईपीएसलॉन
विशेषताएं

-सीवी मूल्य, --सीवी मूल्य
एन-फोल्ड क्रॉस सत्यापन मोड (डिफ़ॉल्ट: 0)

-c नाम, --कक्षा नाम
वर्ग के नामों की सूची।

-r मूल्य, --रीक्लास मूल्य
वर्ग मूल्यों की सूची (उसी क्रम का उपयोग करें जैसे in --कक्षा विकल्प)।

-n संख्या, --न्यूरॉन संख्या
तंत्रिका नेटवर्क में छिपी परतों में न्यूरॉन्स की संख्या (कई छिपी हुई परतें हैं
कई संख्या में न्यूरॉन्स को परिभाषित करके सेट करें: -एनएन 15 -एनएन 1, डिफ़ॉल्ट एक छिपा हुआ है
5 न्यूरॉन्स के साथ परत)

--कनेक्शन 0 | 1
कनेक्शन दर (डिफ़ॉल्ट: 1.0 पूरी तरह से जुड़े नेटवर्क के लिए)

-w भार, --वजन भार
तंत्रिका नेटवर्क के लिए वजन। से शुरू होकर केवल पूरी तरह से जुड़े नेटवर्क पर लागू करें
बायस न्यूरॉन्स (अंतिम न्यूरॉन) सहित अंतिम आउटपुट न्यूरॉन के लिए पहला इनपुट न्यूरॉन
प्रत्येक लेकिन अंतिम परत में)

-l दर, --सीख रहा हूँ दर
सीखने की दर (डिफ़ॉल्ट: 0.7)

--मैक्सिट संख्या
अधिकतम पुनरावृत्तियों की संख्या (युग) (डिफ़ॉल्ट: 500)

onworks.net सेवाओं का उपयोग करके ऑनलाइन pkfsann का उपयोग करें