Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej
MNiSW
20
Poziom I
Status:
Autorzy: Rachwał Albert
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Wersja dokumentu: Drukowana | Elektroniczna
Język: polski
Strony: 123 - 140
Efekt badań statutowych NIE
Materiał konferencyjny: NIE
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Witryna wydawcy
Wersja tekstu: Ostateczna wersja opublikowana
Czas opublikowania: W momencie opublikowania
Data opublikowania w OA: 6 grudnia 2023
Abstrakty: angielski
Niniejszy rozdział przedstawia przegląd popularnych metod uczenia maszynowego wykorzystywanych w procesie klasyfikacji danych. Wśród zaprezentowanych metod znajdują się: drzewo decyzyjne, las losowy, regresja logistyczna, analiza dyskryminacyjna, maszyna wektorów nośnych oraz metoda k najbliższych sąsiadów. Poza omówieniem powyższych metod, wykonano także ich porównanie w praktycznym zadaniu klasyfikacji. Zbiór danych użyty do analizy nosi nazwę Breast Cancer Wisconsin. Celem analizy jest określenie tego, czy nowotwór jest złośliwy na podstawie rozmiaru guza i innych parametrów związane ze zmianami nowotworowymi. Modele uczenia maszynowego mogą również pozwolić na wyodrębnienie najbardziej istotnych cech wpływających na określenie typu nowotworu.