[NEOBHÁJENO] Analýza klasifikačních metod pro testovací datasety

Abstract

V této práci je ukázáno zaměření na využití klasifikačních algoritmů na prediktivní modelování a odlišit je od regrese jako různá plemena podobného rodu se stříd možnosti. Zde se studie zabývá důležitými algoritmy včetně K-Nearest Neighbors (KNN), Rozhodovací stromy, náhodné lesy SVM, logistická regrese a naivní zátoky. Disciplína je zabývající se historickými aspekty, fyzikou a matematickými vzorci K-nejbližšího souseda, rozhodovací strom a náhodné modely lesa. Pokračuje ve vysvětlování toho, jak se vyhnout nadměrnému vybavení rozhodovací stromy a souborový přístup používaný v náhodných lesích. Algoritmy budou hodnoceny na základě jejich výkonu ve srovnání s datovými soubory, jako jsou Digits, Wine a Diabetes. Kromě toho, že zde máte na starosti, tato práce zahrnuje úkoly, jako je výběr dat, zpracování, rozdělení a škálování. Pro tuto případovou studii bude mix dobře známých parametrů i těch méně známých slouží ke komplexnímu průzkumu schopností a omezení studovaných modelů. Tento kousek se zde zastaví, aby diskutoval o rozdílech mezi klasifikátory a regresory s cílem vybrat nejlepší modeluje na cestě pomocí charakteristik dat a samotných detailů výzkumného problému. Závěr obsahuje několik pozoruhodných bodů souvisejících s reálnou aplikací algoritmů a také poukazuje na potenciálně výzkumné oblasti, které mohou vyžadovat další studium. Proto je cílem této práce je jmenovitě shromažďovat data pro výzkumné pracovníky a odborníky v oblasti datové vědy a prediktivní analytika.