LV static အမျိုးအစားခွဲခြားစက်

တည်ငြိမ်သောအမျိုးအစားခွဲခြားစက်သည်တည်ငြိမ်သောအမျိုးအစားခွဲခြားစက်တစ်ခုဖြစ်ပြီး, ဤစက်အမျိုးအစားကိုပုံမှန်အားဖြင့်လေ့ကျင့်သင်ကြားမှုအချက်အလက်များနှင့်ကိုက်ညီသော output labels သို့မဟုတ်classများနှင့်အတူ input features များပါဝင်သည်။

တည်ငြိမ်သောခွဲခြားစက်၏အဓိကဝိသေသလက္ခဏာများ :

1. ပုံသေအမျိုးအစားများ - ၎င်းသည်အမျိုးအစားများသို့မဟုတ်အတန်းများကြိုတင်သတ်မှတ်ထားသောအမျိုးအစားအတွင်းလည်ပတ်သည်။ ဤပုံစံကိုဤပုံစံများသည်ဤအတန်းများနှင့်ကိုက်ညီသော input data များရှိပုံစံများကိုအသိအမှတ်ပြုရန်လေ့ကျင့်သင်ကြားပေးသည်။

2. input industence -or time-series classifiers များနှင့်မတူဘဲ static classifier တစ်ခုနှင့်မတူဘဲ static classifier တစ်ခုစီသည် input data point သို့မဟုတ်ယခင်သွင်းအားစုများအကြောင်းမစဉ်းစားဘဲတစ် ဦး စီကို input data point ကိုမလွယ်ကူပါ။

3. ယေဘူယျစွမ်းရည် - လေ့ကျင့်သင်ကြားပြီးတာနဲ့လေ့ကျင့်ထားတဲ့ပုံစံတွေဟာအသစ်တွေကိုကြိုတင်သတ်မှတ်ထားတဲ့အမျိုးအစားတွေအဖြစ်သတ်မှတ်ထားတဲ့အမျိုးအစားအသစ်တွေကိုခွဲခြားပေးနိုင်ပါတယ်။

4. ကျယ်ပြန့်သောအသုံးချနိုင်မှု - static classifiers များသည် Domainifiers များအကြားကျယ်ပြန့်သောဒိုမိန်းများအကြားကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုသည်။

5. Algorithm Diversity : ထောက်ပံ့ပို့ဆောင်ရေး 0 င်ရောက်မှုများ, အားနည်းချက်များ။

အလုပ်လုပ်နိယာမ :

တည်ငြိမ်သောခွဲခြားစက်သည်ပုံမှန်အားဖြင့်ဤအဆင့်များကိုလိုက်နာသည်။

• လေ့ကျင့်ရေးအဆင့် :
  • မော်ဒယ်ကိုတံဆိပ်တပ်ထားသော DataSet ဖြင့်ပေးထားသော DataSet တစ်ခုစီတွင်ဒေတာအမှတ်တစ်ခုစီ (သို့မဟုတ်ဥပမာအားဖြင့်) အတန်းတံဆိပ်နှင့်ဆက်စပ်နေသည်။
  • algorithm သည်ဤ datorithm သည်ဤ dataset မှအချက်အလက်များနှင့်သက်ဆိုင်ရာအတန်းတံဆိပ်များအကြားပုံစံများနှင့်ဆက်ဆံရေးကိုဖော်ထုတ်ခြင်းအားဖြင့်သင်ယူသည်။
  • ဤသင်ယူမှုဖြစ်စဉ်သည်မော်ဒယ်၏အတွင်းပိုင်း parameters တွေကိုချိန်ညှိခြင်းနှင့်အမှန်တကယ်တံဆိပ်များနှင့်အမှန်တကယ်တံဆိပ်များအကြားခြားနားချက်ကိုတိုင်းတာရန်မော်ဒယ်၏အတွင်းပိုင်း parameters များ (ဘက်လိုက်မှု) ကိုချိန်ညှိခြင်းပါဝင်သည်။
• အခွသို့မဟုတ်ခန့်မှန်းအဆင့် :
  • လေ့ကျင့်သင်ကြားပြီးတာနဲ့မော်ဒယ်သည်အသစ်ကိုလက်ခံခြင်း,
  • ၎င်းသည်ထည့်သွင်းမှုတစ်ခုစီအတွက်ခန့်မှန်းမှုတစ်ခုအတွက်ခန့်မှန်းရန်အတွက်ဤသွင်းအားစုများကိုဤသွင်းအားစုများကိုလုပ်ဆောင်သည်။
  • ထို့နောက်ခန့်မှန်းထားသောတံဆိပ်သည်အမှန်တကယ်ဆုံးဖြတ်ချက်ချခြင်းသို့မဟုတ်ခွဲခြမ်းစိတ်ဖြာခြင်းအတွက်အမှန်တကယ် (အကယ်. လူသိများသော) နှင့်နှိုင်းယှဉ်လျှင်သို့မဟုတ်အသုံးပြုသည်။

အားသာချက်များ :

• ရိုးရိုးရှင်းရှင်း - static classifiers အကောင်အထည်ဖော်ရန်နှင့်နားလည်ရန်ရိုးရှင်းပါသည်။
• ထိရောက်မှု။
• ဘက်စုံသုံးမှု - သူတို့ကကျယ်ပြန့်သောပြ problems နာများနှင့်ဒိုမိန်းအမျိုးမျိုးအတွက်လျှောက်ထားနိုင်ပါသည်။