数据挖掘-第9章--分类：高级方法_第1页
数据挖掘-第9章--分类：高级方法_第2页
数据挖掘-第9章--分类：高级方法_第3页
数据挖掘-第9章--分类：高级方法_第4页
数据挖掘-第9章--分类：高级方法_第5页
已阅读5页，还剩20页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、数据挖掘与商务智能,范勤勤 物流研究中心,第九章 分类：高级方法,目录 第一章,用后向传播分类,用后向传播分类,4,神经网络最早是由心理学家和神经学家提出 在学习阶段，通过调整神经网络的权，使得能够预测输入样本的正确类标号来学习。由于单元之间的连接，神经网络学习又称连接者学习。 由于人们很难解释蕴涵在学习权之中的符号含义，神经网络常常因其可解释性差而受到批评。这些特点使得神经网络在数据挖掘的初期并不看好。 然而，神经网络的优点包括其对噪音数据的高承受能力，以及它对未经训练的数据的分类能力。 另外，最近已提出了一些由训练过的神经网络提取规则的算法，推动了神经网络在数据挖掘分类方面的应用,用后向传

2、播分类,5,输入层,隐藏层,输出层,一个多层前馈神经网络,输入单元x,Wij,用后向传播分类,6,j为神经元单元的偏置（阈值），wji为连接权系数（对于激发状态，wji取正值，对于抑制状态，wji取负值），n为输入信号数目，yj为神经元输出，t为时间，f()为输出变换函数，有时叫做激发或激励函数,用后向传播分类,7,（b）S形函数,用后向传播分类,8,（d）高斯函数,用后向传播分类,9,用后向传播分类,10,用后向传播分类,11,偏倚 j,用后向传播分类,12,使用频繁模式分类,使用频繁模式分类,14,使用频繁模式分类,15,使用频繁模式分类,16,使用频繁模式分类,17,使用频繁模式分类,18,结论：某些频繁模式的区分能力比单个特征强,使用频繁模式分类,19,(a) Austral,(c) Sonar,(b) Breast,Fig. 2. Information Gain vs. Pattern Frequency,结论：并非所有频繁模式都是有用的,使用频繁模式分类,20,惰性学习法（或从近邻学习）,惰性学习法（或从近邻学习）,22,惰性学习法（或从近

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论