ນີ້ແມ່ນຄໍາສັ່ງ pkfsann ທີ່ສາມາດດໍາເນີນການໄດ້ໃນ OnWorks ຜູ້ໃຫ້ບໍລິການໂຮດຕິ້ງຟຣີໂດຍໃຊ້ຫນຶ່ງໃນສະຖານີເຮັດວຽກອອນໄລນ໌ຟຣີຫຼາຍອັນຂອງພວກເຮົາເຊັ່ນ Ubuntu Online, Fedora Online, Windows online emulator ຫຼື MAC OS online emulator
ໂຄງການ:
NAME
pkfsann - ການຄັດເລືອກຄຸນສົມບັດສໍາລັບ nn classifier
ສະຫຼຸບສັງລວມ
pkfsann -t ການຝຶກອົບຮົມ -n ຈໍານວນ [ທາງເລືອກໃນການ] [ກ້າວຫນ້າທາງດ້ານ ທາງເລືອກໃນການ]
ລາຍລະອຽດ
ບັນຫາການຈັດປະເພດການຈັດການກັບຂໍ້ມູນການປ້ອນຂໍ້ມູນມິຕິລະດັບສູງສາມາດເປັນການທ້າທາຍເນື່ອງຈາກ
ປະກົດການ Hughes. ສໍາລັບຕົວຢ່າງ, ຂໍ້ມູນ hyperspectral ສາມາດມີຫຼາຍຮ້ອຍ spectral
bands ແລະຮຽກຮ້ອງໃຫ້ມີຄວາມສົນໃຈເປັນພິເສດໃນເວລາທີ່ຖືກຈັດປະເພດ. ໂດຍສະເພາະໃນເວລາທີ່ຈໍາກັດ
ຂໍ້ມູນການຝຶກອົບຮົມແມ່ນມີຢູ່, ການຈັດປະເພດຂອງຂໍ້ມູນດັ່ງກ່າວສາມາດມີບັນຫາໂດຍບໍ່ມີການ
ຫຼຸດຜ່ອນຂະຫນາດ.
pkfsann ປະຕິບັດເຕັກນິກການຄັດເລືອກລັກສະນະຈໍານວນຫນຶ່ງ, ໃນນັ້ນເປັນລໍາດັບ
ການຄົ້ນຫາແບບເລື່ອນລອຍ (SFFS). ນອກຈາກນັ້ນ, ພິຈາລະນາຕົວຈັດປະເພດ SVM ທີ່ປະຕິບັດຢູ່ໃນ pksvm(1)
ເຊິ່ງໄດ້ສະແດງໃຫ້ເຫັນວ່າມີຄວາມເຂັ້ມແຂງຕໍ່ກັບບັນຫາປະເພດນີ້ຫຼາຍກ່ວາຄົນອື່ນ.
OPTIONS
-t ຊື່ເອກະສານ, -- ການຝຶກອົບຮົມ ຊື່ເອກະສານ
ໄຟລ໌ vector ການຝຶກອົບຮົມ. ໄຟລ໌ vector ດຽວມີຄຸນສົມບັດການຝຶກອົບຮົມທັງຫມົດ (ຕ້ອງ
ຕັ້ງເປັນ: B0, B1, B2, ...) ສໍາລັບທຸກຊັ້ນຮຽນ (ຕົວເລກຊັ້ນຮຽນຖືກກໍານົດໂດຍຕົວເລືອກປ້າຍຊື່).
ໃຊ້ໄຟລ໌ການຝຶກອົບຮົມຫຼາຍສໍາລັບການລວບລວມ bootstrap (ທາງເລືອກກັບຖົງແລະ
ຕົວເລືອກ bsize, ບ່ອນທີ່ຊຸດຍ່ອຍແບບສຸ່ມຖືກເອົາມາຈາກເອກະສານການຝຶກອົບຮົມດຽວ)
-n ຈໍານວນ, --nf ຈໍານວນ
ຈໍານວນຂອງຄຸນສົມບັດທີ່ຈະເລືອກເອົາ (0 ເພື່ອຄັດເລືອກເອົາຈໍານວນທີ່ດີທີ່ສຸດ, ເບິ່ງຍັງ --ຄ່າໃຊ້ຈ່າຍ ທາງເລືອກ)
-i ຊື່ເອກະສານ, --ການປ້ອນຂໍ້ມູນ ຊື່ເອກະສານ
ຊຸດທົດສອບການປ້ອນຂໍ້ມູນ (ປ່ອຍໃຫ້ຫວ່າງເພື່ອເຮັດການກວດສອບຂ້າມຜ່ານໂດຍອີງໃສ່ການຝຶກອົບຮົມເທົ່ານັ້ນ)
-v ລະດັບ, -- verbose ລະດັບ
ຕັ້ງເປັນ: 0 (ຜົນໄດ້ຮັບເທົ່ານັ້ນ), 1 (confusion matrix), 2 (debug)
ຕົວເລືອກຂັ້ນສູງ
-tln ຊັ້ນ, --tln ຊັ້ນ
ຊື່ຊັ້ນການຝຶກອົບຮົມ
- ປ້າຍຊື່ ຄຸນລັກສະນະ, --ປ້າຍຊື່ ຄຸນລັກສະນະ
ຕົວລະບຸສໍາລັບປ້າຍຫ້ອງຮຽນໃນໄຟລ໌ vector ການຝຶກອົບຮົມ. (ຄ່າເລີ່ມຕົ້ນ: ປ້າຍກຳກັບ)
--ການດຸ່ນດ່ຽງ ຂະຫນາດ
ດຸ່ນດ່ຽງການປ້ອນຂໍ້ມູນໃສ່ຈໍານວນຕົວຢ່າງນີ້ສໍາລັບແຕ່ລະຊັ້ນຮຽນ (ຄ່າເລີ່ມຕົ້ນ: 0)
-ຍີ່ຫໍ້, --ສຸ່ມ
ໃນກໍລະນີຂອງການດຸ່ນດ່ຽງ, randomize ຂໍ້ມູນການປ້ອນຂໍ້ມູນ
- ນາທີ ຈໍານວນ, --ນາທີ ຈໍານວນ
ຖ້າຈໍານວນຂອງ pixels ການຝຶກອົບຮົມແມ່ນຫນ້ອຍຫຼັງຈາກນັ້ນ min, ຢ່າເອົາຫ້ອງຮຽນນີ້ເຂົ້າໄປໃນບັນຊີ
-b band, --ແຖບ band
ດັດຊະນີແຖບ (ເລີ່ມຕົ້ນຈາກ 0, ບໍ່ວ່າຈະນໍາໃຊ້ທາງເລືອກແຖບຫຼືການນໍາໃຊ້ເລີ່ມຕົ້ນທີ່ສຸດ)
- ວົງດົນຕີ band, -- ແຖບເລີ່ມຕົ້ນ band
ເລີ່ມໝາຍເລກລຳດັບແຖບ
-eband band, --endband band
ເລກລໍາດັບແຖບທ້າຍ
- ຊົດເຊີຍ ມູນຄ່າ, -- ຊົດເຊີຍ ມູນຄ່າ
ຄ່າຊົດເຊີຍສໍາລັບແຕ່ລະລັກສະນະການປ້ອນຂໍ້ມູນແຖບ spectral:
refl[band]=(DN[band]-offset[band])/scale[band]
- ຂະຫນາດ ມູນຄ່າ, --ຂະໜາດ ມູນຄ່າ
ຄ່າຂະໜາດສຳລັບແຕ່ລະລັກສະນະການປ້ອນຂໍ້ມູນແຖບ spectral:
refl=(DN[band]-offset[band])/scale[band] (ໃຊ້ 0 ຖ້າ scale min ແລະ max ໃນແຕ່ລະແຖບ
ເຖິງ -1.0 ແລະ 1.0)
-a 0 | 1 | 2, --ລວມ 0 | 1 | 2
ວິທີການລວມຕົວຈັດປະເພດລວມ, ເບິ່ງ --rc ທາງເລືອກ (0: ບໍ່ມີການລວບລວມ, 1:
sum rule, 2: max rule).
-sm ວິທີການ, --sm ວິທີການ
ວິທີການເລືອກຄຸນສົມບັດ (sffs=ການຄົ້ນຫາແບບເລື່ອນລອຍຕາມລໍາດັບ, sfs=sequential
forward search, sbs, sequential backward search, bfs=brute force search)
- ຄ່າໃຊ້ຈ່າຍ ມູນຄ່າ, --ຄ່າໃຊ້ຈ່າຍ ມູນຄ່າ
epsilon ສໍາລັບການຢຸດ criterion ໃນຫນ້າທີ່ຄ່າໃຊ້ຈ່າຍເພື່ອກໍານົດຈໍານວນທີ່ດີທີ່ສຸດຂອງ
ຄຸນລັກສະນະ
-ຊິວະປະຫວັດ ມູນຄ່າ, --ຊິວະປະຫວັດ ມູນຄ່າ
n-fold ຮູບແບບການກວດສອບຂ້າມ (ຄ່າເລີ່ມຕົ້ນ: 0)
-c ຊື່, --ຊັ້ນ ຊື່
ບັນຊີລາຍຊື່ຂອງຊື່ຫ້ອງຮຽນ.
-r ມູນຄ່າ, -- ຫ້ອງຮຽນໃໝ່ ມູນຄ່າ
ບັນຊີລາຍຊື່ຂອງຄ່າຊັ້ນຮຽນ (ໃຊ້ຄໍາສັ່ງດຽວກັນກັບໃນ --ຊັ້ນ ທາງເລືອກ).
-n ຈໍານວນ, -- ນິວຣອນ ຈໍານວນ
ຈໍານວນຂອງ neurons ໃນຊັ້ນເຊື່ອງໄວ້ໃນເຄືອຂ່າຍ neural (ຊັ້ນເຊື່ອງໄວ້ຫຼາຍແມ່ນ
ກໍານົດໂດຍການກໍານົດຈໍານວນຂອງ neurons ຫຼາຍ: - ນ 15 - ນ 1, ຄ່າເລີ່ມຕົ້ນແມ່ນອັນໜຶ່ງທີ່ເຊື່ອງໄວ້
ຊັ້ນມີ 5 neurons)
-- ການເຊື່ອມຕໍ່ 0 | 1
ອັດຕາການເຊື່ອມຕໍ່ (ຄ່າເລີ່ມຕົ້ນ: 1.0 ສໍາລັບເຄືອຂ່າຍທີ່ເຊື່ອມຕໍ່ຢ່າງເຕັມສ່ວນ)
-w ນ້ໍາຫນັກ, --ນ້ຳໜັກ ນ້ໍາຫນັກ
ນ້ໍາຫນັກສໍາລັບເຄືອຂ່າຍ neural. ນຳໃຊ້ກັບເຄືອຂ່າຍທີ່ເຊື່ອມຕໍ່ຢ່າງຄົບຖ້ວນເທົ່ານັ້ນ, ເລີ່ມແຕ່
neuron ທໍາອິດທີ່ປ້ອນໄປຫາ neuron ສຸດທ້າຍ, ລວມທັງ neurons bias ( neuron ສຸດທ້າຍ
ໃນແຕ່ລະຊັ້ນແຕ່ສຸດທ້າຍ)
-l ອັດຕາການ, -- ການຮຽນຮູ້ ອັດຕາການ
ອັດຕາການຮຽນຮູ້ (ຄ່າເລີ່ມຕົ້ນ: 0.7)
--maxit ຈໍານວນ
ຈໍານວນຂອງການຊໍ້າຄືນສູງສຸດ (epoch) (ຄ່າເລີ່ມຕົ້ນ: 500)
ໃຊ້ pkfsann ອອນໄລນ໌ໂດຍໃຊ້ບໍລິການ onworks.net
