داده های متقارن یا نامتوازن
نمایش یک نتیجه
دسته: آموزش clementine, آموزش rapidminer, آموزش weka, داده کاوی برچسب: )Missing Values( دادههای ناقص, box plot تحلیل, HARR تبدیل, Quantile Plot, Quantile- Quantile(Q-Q)Plot, Rainforest, rule-based classifier, Scatter plot, T-test, آنالیز سبد خرید, ارزیابی و مقایسه روشهای دسته بندی, استخراج قوانین درخت تصمیم, استنتاج بالا به پایین درخت های تصمیم id3, اشیاء دادهای, افزونگی تاپل ها, الگوریتم Apriori, الگوریتم Eclat, الگوریتم درخت تصمیم, الگوهای مکرر و قوانین انجمنی, اندازهگیری پراکندگی دادهها, ایجاد قوانین انجمنی, برآورد فاصله اطمینان, پیش پردازش دادهها, تبدیل فوریه, تبدیل موجک, تجزیه و تحلیل همبستگی, تجمیع مکعب داده, تحلیل همبستگی, تحلیل هیستوگرام, تست کای-دو, تکنیک های تصویرسازی پیکسل گرا, جستجو اکتشافی انتخاب ویژگی, خوشه بندی, خوشه بندی k-means, خوشه بندی سلسله مراتبی, داده های متقارن یا نامتوازن, درخت تصمیم, دسته بندی بیزین, روش های گسسته سازی داده ها, روشهای کاهش داده, شاخص Gini, شاخصهای اندازهگیری مرکزیت دادهها, شباهت کسینوسی, شبکه های باور بیزین, شمای دانه برفی, شمای صورت فلکی, شناخت انواع دادهها و ویژگیها, شناخت دادهها, کاهش داده ها متلب, ماتریس عدم شباهت, ماشین های بردار پشتیبان, مصورسازی دادهها, معیار Gain ratio, معیارهای ارزیابی قوانین انجمنی, مفاهیم اولیه طبقه بندی, منحنی ROC, نرمال سازی min-max, نرمال سازی با مقیاس اعشاری, نرمال سازی: Z-score, نمایش گرافیکی از توصیفات نرمال آماری, هرس درخت تصمیم, ویژگیهای نمودار توزیع نرمال, یادگیری با نظارت, یادگیری بدون نظارت, یادگیری تنبل ) k-NN )