Задать вопрос
Вход
Регистрация
Портал помощи студентам №1

Учебные работы на заказ без посредников
и переплат!

,

ул. Добролюбова, 16/2

support@professsor.com
Служба техподдержки
Меню
WiRQuZ

Заказы WiRQuZ

0
Науки
Науки
Экономические науки
Технические науки
Естественные науки
Математические науки
Программирование
Гуманитарные науки
Юридические науки
Иностранные языки
Работа с текстом
Дисциплины
Типы работ
Курсовая
Дипломная работа
Контрольная
Реферат
Статья
Решение задач
Отчет по практике
Шпаргалки
Чертеж
Рецензия
Лабораторная
Ответы на вопросы
Презентация
Перевод
Диплом МБА
Доклад
Диссертация
Бизнес-план
On-line тест
Другое
Статус заказа
В аукционе
Черновик
В работе
На гарантии
В корректировке
В арбитраже
Отменен
Завершен
Найти заказы

2 работы

Стоимость
Дата добавления
Срок сдачи
Лабораторная
Машинное обучение: "ECOC design for non-parametric Bayes classifier…
20 марта 2019 в 23:06
Обучение нейронных систем
до 3 000
22 марта
Описание работы

В аукционе

Ставок еще нет

Описание работы
WiRQuZ

Задания 1. Обучить непараметрические байесовские бинарные классификаторы при различных способах ECOC-кодирования: а) OVA; б) OVO; в) полное бинарное кодирование; г) полное тернарное кодирование. 2. В исходном пространстве признаков изобразить области классов (закрасить разными цветами), формируемые каждым из полученных в п.1 многоклассовым классификатором (всего 8 классификаторов). Нанести на диаграммы границы классов и данные из обучающей выборки. На отдельной диаграмме изобразить все границы классов, формируемые построенными многоклассовыми классификаторами.

Свернуть
Предложить свою ставку

Стоимость

a

Срок сдачи работы

Опубликовать Свернуть
a

Предоплата

50%
100%

Комментарий Пожалуйста, не указывайте контактные данные

Лабораторная
Лабораторная работа по машинному обучению
20 марта 2019 в 23:05
Обучение нейронных систем
до 3 000
22 марта
Описание работы

В аукционе

Ставок еще нет

Описание работы
WiRQuZ

ECOC design for non-parametric Bayes classifier Задания 1. В предположении о независимости парзеновских ядер визуализировать восстановленные двумерные плотности распределения для каждого класса. Использовать гауссовы окна, ширину окон определить по правилу Сильвермана. 2. Для каждого из полученных в п.1 наборов базовых классификаторов рассчитать классификационные очки многоклассового классификатора, используя различные способы ECOC-декодирования: а) взвешенное; б) невзвешенное. 3. Построить графики зависимости показателей качества (accuracy, micro-averaged и macro-averaged ROC AUC и PR AUC) построенных многоклассовых классификаторов на обучающей и тестовой выборках от коэффициента пропорциональности ? (отношение ширины парзеновского окна к ширине Сильвермана). Определить для каждого классификатора ширину окна, при которой наблюдается наилучшая обобщающая способность.

Свернуть
Предложить свою ставку

Стоимость

a

Срок сдачи работы

Опубликовать Свернуть
a

Предоплата

50%
100%

Комментарий Пожалуйста, не указывайте контактные данные

Показать все способы оплаты
Вход на сайт
Войти
Необходима авторизация
Данная функция доступна только
для зарегистрированных пользователей
Пожалуйста, авторизуйтесь, или пройдите регистрацию
Войти
Подтвердите ваш e-mail

Для завершения регистрации подтвердите свой e-mail: перейдите по ссылке, высланной вам в письме.

После этого будет создан ваш аккаунт и вы сможете войти на сайт и в личный кабинет.

ОК