Jurnal Internasional Entropi, Vol. 21, Halaman 665: Pembelajaran Struktur Jaringan Bayesian Berdasarkan Adaptive Thresholding

Download Jurnal Disini

Entropy, Vol. 21, Halaman 665: Pembelajaran Struktur Jaringan Bayesian Berdasarkan Adaptive Thresholding

Entropi doi: 10.3390 / e21070665

Penulis:
Yang Zhang
Limin Wang
Zhiyi Duan
Minghui Sun

dependensi langsung dan dependensi kondisional dalam pengklasifikasi jaringan Bayesian (BNC) terbatas adalah dua jenis dependensi dasar. Pendekatan tradisional, seperti filter dan pembungkus, telah terbukti bermanfaat untuk mengidentifikasi dependensi yang tidak signifikan satu per satu, sedangkan overhead komputasi yang tinggi membuatnya tidak efisien terutama untuk BNC dengan kompleksitas struktural yang tinggi. Studi distribusi ukuran informasi-teori menyediakan pendekatan yang layak untuk mengidentifikasi ketergantungan yang tidak signifikan dalam batch yang dapat membantu meningkatkan keandalan struktur dan menghindari overfitting. Dalam makalah ini, kami menyelidiki dua ekstensi untuk classifier Bayesian k-dependensi, pemilihan fitur berbasis MI, dan pemilihan ketergantungan berbasis CMI. Kedua teknik ini menerapkan metode threshold adaptif novel untuk menyaring redundansi dan dapat bekerja bersama. Hasil percobaan pada 30 dataset dari repositori pembelajaran mesin UCI menunjukkan bahwa ambang adaptif dapat membantu membedakan antara dependensi dan independensi dan algoritma yang diusulkan mencapai kinerja klasifikasi kompetitif dibandingkan dengan beberapa BNC canggih dalam hal 0 & amp; ndash; 1 loss , root mean squared error, bias, dan varians.

Download Jurnal Disini
Jurnal

Entropi, Vol. 21, Halaman 665: Pembelajaran Struktur Jaringan Bayesian Berdasarkan Adaptive Thresholding

Leave a reply "Jurnal Internasional Entropi, Vol. 21, Halaman 665: Pembelajaran Struktur Jaringan Bayesian Berdasarkan Adaptive Thresholding"

Author: 
    author