عمده شهرت وکا به خاطر سادگی کار با آن و تعداد زیاد روشهای موجود داده کاوی آن می باشد. شما در این نرم افزار می توانید بیشتر دسته بندی کننده های مهم را پیدا کنید. هر دسته بندی کننده برای خود تنظیماتی دارد که کاربر می تواند با تغییر آنها نحوه عملکرد آنرا تنظیم کند.

کار با نرم افزار وکا معایبی دارد. یکی از مهم ترین معایب آن بسته بودن دست کاربر در تغییر توابع این نرم افزار است. به عبارت دیگر شما نمی توانید هیچ تغییری در روال اجرای یک دسته بندی کننده به عنوان مثال شبکه عصبی بدهید. شما فقط باید دیتا بدهید. خروجی بدهید. اگر بخواهید کد جاوا شبکه عصبی را تغییر دهید و یک شبکه عصبی بنا به ایده خود داشته باشید، غیر ممکن است. اما نرم افزار متلب MATLAB این مشکل را ندارد. در متلب شما می توانید هر تغییری که خواستید در کد انجام دهید.

عیب بعدی وکا این است که همه چیز به صورت GUI انجام می شود. یعنی تمامی عملیات با کلیک کاربر انجام می شود و برای هر کاری پنجره ای تعریف شده است. لذا اگر شما بخواهید تغییری در روند برنامه انجام دهید باید همه چیز را از اول با کلیک انجام دهید. ولی در متلب شما می توانید یک پروژه بزرگ را پیاده سازی کنید و برای تغییر یک قسمت از تابع تنها به همان بخش مراجعه کرده و تغییر خود را اعمال کنید و سپس تنها با یک کلیک نتیجه تغییرات جدید را ببینید.

یکی از مشکلات متلب عدم وجود تمامی توابع وکا می باشد. نرم افزار وکا از نظر تعداد دسته بندی کننده ها نسبت به متلب کاملتر است. لذا گاهی لازم می شود که ما یکی از توابع وکا در متلب فراخوانی کنیم و از آن استفاده کنیم.

در این فیلم آموزشی قصد داریم که به شما نحوه استفاده از توابع وکا در متلب را آموزش بدهیم.

نوشته آموزش استفاده از weka در matlab اولین بار در ایران متلب پدیدار شد.

  Handwritten and Printed Word Identification Using Gray-Scale Feature Vector and Decision Tree Classifier

Abstract
Document image analysis is one of the important steps towards a paper free world. An effective Optical  Character Recognition (OCR) system would be helpful for achieving this fit. But the next question may arise that whether a single OCR system will be sufficient for encoding both handwritten and printed text or not. So to come out of this dilemma, the work as reported here determines the category of a word from the document images containing words both in handwritten and printed forms. A 6-elements feature set is estimated from each gray level image and then these features are ranked based on discriminatory capabilities. Finally, a decision tree classifier has been designed and 1500 words images of handwritten and printed forms (equal in number) are fed to the classifier to evaluate the performance of the present technique. An overall success rate of 96.80% is achieved.

خروجی برنامه :

چکیده
تجزیه و تحلیل تصویر سند یکی از گام های مهم به سمت یک جهان آزاد کاغذ است. یک سیستم تشخیص صحیح نویسی نوری (OCR) برای دستیابی به این ویژگی مفید خواهد بود. اما سوال بعدی می تواند این باشد که آیا یک سیستم OCR تنها برای رمزگذاری متن های دست نویس و چاپی کافی است یا خیر. بنابراین، از این معضل بیرون می آید، کار همانطور که در اینجا گزارش شده است، طبقه بندی یک کلمه از تصاویر سند حاوی کلمات را در قالب های دست نوشته و چاپ شده تعیین می کند. مجموعه ای از ویژگی های 6 عنصری از هر تصویر سطح خاکستری تخمین زده می شود و سپس این ویژگی ها بر اساس قابلیت های تبعیض آمیز رتبه بندی می شوند. در نهایت، یک طبقه بندی کننده درخت تصمیمی طراحی شده و تصاویر 1500 عدد از اشکال دست نوشته و چاپ شده (برابر با عدد) به طبقه بندی داده می شود تا عملکرد تکنیک فعلی را ارزیابی کند. میزان موفقیت کلی از 96.80٪ به دست می آید.

دانلود اصل مقاله

نوشته MP00 – تشخیص کلمه دستنویس و تایپی با بردار ویژگی و دسته بندی درخت تصمیم گیری اولین بار در ایران متلب پدیدار شد.