pkfsann - Online di Cloud

PROGRAM:

NAMA

pkfsann - pemilihan fitur untuk pengklasifikasi nn

RINGKASAN

pkfsann -t latihan -n jumlah [Pilihan] [maju Pilihan]

DESKRIPSI

Masalah klasifikasi yang berhubungan dengan data input berdimensi tinggi dapat menjadi tantangan karena
fenomena Hughes. Data hiperspektral, misalnya, dapat memiliki ratusan spektral
band dan memerlukan perhatian khusus saat diklasifikasikan. Khususnya ketika terbatas
data pelatihan tersedia, klasifikasi data tersebut dapat menjadi masalah tanpa
mengurangi dimensi.

pkfsann mengimplementasikan sejumlah teknik pemilihan fitur, di antaranya sekuensial
pencarian maju mengambang (SFFS). Juga pertimbangkan pengklasifikasi SVM yang diimplementasikan di pksvm(1)
yang telah terbukti lebih kuat untuk jenis masalah ini daripada yang lain.

PILIHAN

-t nama file, --pelatihan nama file
file vektor pelatihan. Satu file vektor berisi semua fitur pelatihan (harus
ditetapkan sebagai: B0, B1, B2,...) untuk semua kelas (nomor kelas diidentifikasi oleh opsi label).
Gunakan beberapa file pelatihan untuk agregasi bootstrap (alternatif untuk tas dan
opsi bsize, di mana subset acak diambil dari satu file pelatihan)

-n jumlah, --nf jumlah
jumlah fitur untuk dipilih (0 untuk memilih nomor optimal, lihat juga --biaya opsional)

-i nama file, --memasukkan nama file
input set tes (biarkan kosong untuk melakukan validasi silang berdasarkan pelatihan saja)

-v tingkat, --bertele-tele tingkat
set ke: 0 (hanya hasil), 1 (matriks kebingungan), 2 (debug)

Advanced options

-tln lapisan, --tln lapisan
nama lapisan pelatihan

-label atribut, --label atribut
pengenal untuk label kelas dalam file vektor pelatihan. (bawaan: label)

--keseimbangan ukuran
menyeimbangkan data input ke jumlah sampel ini untuk setiap kelas (default: 0)

-acak, --acak
dalam kasus keseimbangan, mengacak data input

-min jumlah, --min jumlah
jika jumlah piksel pelatihan kurang dari min, jangan perhitungkan kelas ini

-b pita, --pita pita
indeks band (mulai dari 0, gunakan opsi band atau gunakan awal hingga akhir)

-band pita, --jalur awal pita
mulai nomor urut band

-eband pita, --jalur akhir pita
nomor urut pita akhir

-mengimbangi nilai, --mengimbangi nilai
nilai offset untuk setiap fitur input pita spektral:
refl[band]=(DN[band]-offset[band])/skala[band]

-skala nilai, --skala nilai
nilai skala untuk setiap fitur input pita spektral:
refl=(DN[band]-offset[band])/scale[band] (gunakan 0 jika skala min dan maks di setiap band
ke -1.0 dan 1.0)

-a 0 | 1 | 2, --agregat 0 | 1 | 2
cara menggabungkan pengklasifikasi agregat, lihat juga --rc opsi (0: tidak ada agregasi, 1:
aturan penjumlahan, 2: aturan maks).

-sm metode, --sm metode
metode pemilihan fitur (sffs=sequential floating forward search, sfs=sequential
pencarian maju, sbs, pencarian mundur berurutan, bfs = pencarian brute force)

-biaya nilai, --biaya nilai
epsilon untuk kriteria penghentian dalam fungsi biaya untuk menentukan jumlah optimal
fitur

-CV nilai, --CV nilai
mode validasi silang n-lipat (default: 0)

-c nama, --kelas nama
daftar nama kelas.

-r nilai, --kelas ulang nilai
daftar nilai kelas (gunakan urutan yang sama seperti di --kelas pilihan).

-n jumlah, --nneuron jumlah
jumlah neuron di lapisan tersembunyi di jaringan saraf (beberapa lapisan tersembunyi adalah
ditetapkan dengan mendefinisikan beberapa jumlah neuron: -nn 15 -nn 1, default adalah satu tersembunyi
lapisan dengan 5 neuron)

--koneksi 0 | 1
tingkat koneksi (default: 1.0 untuk jaringan yang sepenuhnya terhubung)

-w bobot, --berat bobot
bobot untuk jaringan saraf. Berlaku hanya untuk jaringan yang terhubung sepenuhnya, mulai dari
neuron input pertama ke neuron output terakhir, termasuk neuron bias (neuron terakhir
di setiap kecuali lapisan terakhir)

-l tarif, --sedang belajar tarif
tingkat pembelajaran (default: 0.7)

--maksimal jumlah
jumlah iterasi maksimum (Epoch) (default: 500)

Gunakan pkfsann online menggunakan layanan onworks.net