دانلود مبانی نظری متدهای یادگیری تجمعی و رندوم فارست

دانلود مبانی نظری متدهای یادگیری تجمعی و رندوم فارست

 فرمت قابل ویرایش ورد word

  تعداد صفحات: ۱۷ صفحه

 خلاصه ای از فایل

مقدمه

پیش‌بینی دقیق وضعیت ترافیکی، امری لازم و تأثیرگذار در مدیریت مؤثر سیستم‌های حمل‌ونقل هوشمند به حساب می‌آید. از آنجا که داده‌های ترافیکی معمولاً داده‌هایی با حجم بالا هستند، تکنیک‌های کاربردی و جدیدی را برای پردازش نیاز دارند. داده کاوی بعنوان یک شاخه از علم کامپیوتر اخیراً توجه زیادی را به خود جلب کرده است که در نتیجه‌ی اعمال آن، آنالیز و پردازش پایگاه داده[۱] های بزرگ فراهم می‌شود. در واقع متدهای داده کاوی معمولاً با هدف استخراج دانش[۲] و ساخت مدل از داده‌های حجیم بکار گرفته می‌شوند[۲۴]. از میان روش‌های گوناگون داده کاوی، تمرکز تعداد قابل توجهی از تحقیقات به روی یادگیری یادگیری تجمعی [۳] ، درخت‌های تصمیم‌گیری و بطور ویژه رندوم فارست[۴] می‌باشد که در ادامه توضیح داده خواهند شد[۲۵].

فهرست

۱-۱مقدمه۱

۱-۲-متدهای یادگیری تجمعی   ۲

۱-۲-۱٫تعاریف مفاهیم اولیه  ۲

۱-۲-۲٫درخت بوستینگ    ۴

۱-۲-۳٫درخت بگینگ    ۴

۱-۳-رندوم فارست    ۶

۱-۳-۱٫مراحل توسعه‌ی رندوم فارست    ۸

۱-۳-۲٫تئوری‌های مرتبط با رندوم فارست۱۱

۱-۳-۳٫رندوم فارست برای رگرسیون   ۱۴

۱-۳-۴٫مزایا و کاربردهای رندوم فارست    ۱۴

۱-۴-نتیجه گیری   ۱۵