accord.net 예제

또는 잘 알려진 일부 데이터 집합 또는 데이터 컬렉션에 대해 알고리즘을 테스트하려는 경우 Accord.DataSets 라이브러리에 대한 참조를 프로젝트에 포함할 수도 있습니다. 이 라이브러리는 웹에서 인기 있는 데이터 컬렉션을 자동으로 다운로드하여 프레임워크에서 사용되는 형식으로 변환할 수 있는 클래스를 제공합니다. 예를 들어 데이터 집합 클래스를 사용하면 자유 음성 자릿수 데이터 집합, 아이리스 데이터 집합, Pendigits 데이터 집합, MNIST 및 기타 많은 다른 데이터를 쉽게 가져올 수 있습니다. Accord.NET 사용하면 Accord.Imaging.CorrelationMatching 클래스를 사용하여 상관 관계를 달성할 수 있습니다. 이 예제에서는 각 지점 주위에 9픽셀의 창을 고려합니다. 통계적 가설 검정에 의해 확인된 가설은 종종 모집단의 무작위 표본이 주어진 확률 분포에서 오는지 여부에 대한 이론입니다. 이것은 이상한 것처럼 보이지만 몇 가지 문제가 이런 식으로 발생할 수 있습니다. 예를 들어, 교실의 학생이 다른 교실의 학생과 성적이 상당히 다른지 확인한다고 가정해 보겠습니다. 일부 학생들은 행운 때문에 시험에서 더 잘 수행 할 수 있기 때문에 어떤 차이도 우연에 기인 할 수 있습니다.

그러나, 캐치는 그것을 반박하는 하나의 반대 예제를 취할 것입니다. 우리가 검은 색 하나의 백조를 발견하면, 전체 이론을 거부해야하므로 대체 이론이 제기 될 수 있습니다. 이론을 잘못 증명하려고 시도하는 것은 매우 쉬워야 합니다. 이론이 지속적으로 잘못된 입증 될 수있는 시도를 살아남는다면, 그것은 강해진다. 이것은 반드시 그것이 정확하다는 것을 의미하지는 않으며, 단지 잘못 될 가능성이 매우 낮다는 것을 의미하지는 않습니다. 이미 발견되었을 수 있으므로 이전 섹션에 포함된 샘플 코드는 프레임워크를 사용하는 C# 코드였습니다. 전술한 예제에서는 정규 분포에서 가져온 두 샘플의 채우기 수단을 비교하기 위한 T-Test를 만들었습니다. 그럼에도 불구하고 프레임워크에는 전력 분석을 지원하는 다른 많은 테스트가 포함되어 있습니다. 그 중에는 엘 토마스, 에프 후안스, 1996년. 통계적 전력 분석의 중요성: 동물 행동, 동물 행동, 볼륨 52, 문제 4, 10월,856-859페이지의 예. 에서 온라인으로 사용할 수 있습니다: http://otg.downstate.edu/downloads/2007/Spring07/thomas.pdf .

Learn() 메서드는 새 기계 학습 모델을 만들기 위해 선택한 학습 알고리즘을 사용합니다. 순차적 미니멀 최적화의 경우, 이것은 새로운 SupportVectorMachine 개체를 만듭니다. 프레임 워크에 대 한 좋은 점은 SVM 을 사용할 수 있도록 작동 하는 방법에 대해 알 필요가 없습니다 (비록 이 장난감 예제 이외의 다른 것에 대 한 그것을 사용 하려는 경우에 매우 좋습니다). 프레임워크의 모든 분류 모델은 을 구현합니다. 모델을 표시하려는 새 데이터에 대한 클래스 예측을 가져오는 데 사용할 수 있는 Decide() 메서드: 이 예제에서는 빈 필드에 있는 두 개의 근처의 피는 나무 사이의 꿀벌 의 기본 설정을 다룹니다. 실험자는 꿀벌이 특정 나무 근처에서 얼마나 많은 시간을 소비하는지 데이터를 측정했습니다. 꿀벌이 나무에 처음 닿을 때 시간이 측정되기 시작하고 꿀벌이 나무에서 1미터 이상 이동하면 멈춘다. 아래 샘플은 각 나무에 대해 관찰된 꿀벌의 측정된 시간(초)을 나타냅니다.

This entry was posted in Uncategorized. Bookmark the permalink.

Comments are closed.