سال انتشار: ۱۳۹۰

محل انتشار: سومین کنفرانس مهندسی برق و الکترونیک ایران

تعداد صفحات: ۵

نویسنده(ها):

جواد یزدانجو – موسسه آموزش عالی سجاد مشهد گروه کامپیوتر
حمیدرضا طهماسبی – دانشگاه آزاد اسلامی واحد کاشمر

چکیده:

دراین مقاله کارایی یادگیری هشت الگوریتم کلاسهبندی معروف بیزین ساده شبکه های عصبی پرسپترون چند لایه نزدیک ترین k همسایه ماشین های بردار ماشین درخت تصمیم ، Bagging ، Boosting و RBF برحسب جذر میانگین مربع خطاها RMSE و زمان یادگیری مورد مطالعه و ارزیابی قرار می گیرند در بررسی و تست روشها از شش مجموعه داده با کاربردهای مختلف موجود در مخزن داده دانشگاه کالیفرنیا و همچنین تکنیک ارزیابی K تکه برابر استفاده شده است.