El clasificador de máxima verosimilitud (MLC) y las máquinas de vectores de apoyo (SVM) son dos enfoques comúnmente utilizados en el aprendizaje automático. El MLC se basa en la teoría bayesiana para estimar los parámetros de un modelo probabilístico, mientras que la SVM es un método no paramétrico basado en la optimización en este contexto. Recientemente, se ha descubierto que la SVM en algunos casos es equivalente a la MLC en el modelado probabilístico del proceso de aprendizaje. En este trabajo, MLC y SVM se combinan en el aprendizaje y la clasificación, lo que ayuda a obtener una salida probabilística para SVM y facilitar la toma de decisiones suaves. En total se utilizan cuatro grupos de datos para las evaluaciones, que abarcan el sonar, el vehículo, el cáncer de mama y las secuencias de ADN. Las muestras de datos se caracterizan en términos de distribución gaussiana/no gaussiana y de muestras equilibradas/no equilibradas, que luego se utilizan para evaluar el rendimiento al comparar el clasificador SVM y el combinado SVM-MLC. Se presentan resultados interesantes que indican cómo puede funcionar el clasificador combinado en diversas condiciones.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Producción biotecnológica de sabores, pigmentos y aromas a partir de hongos Miceliales y levaduras
Artículo:
Un análisis neuroeconómico del proceso de inversión con información sobre el flujo de dinero: La negatividad relacionada con el error
Artículo:
Monitorización de palas de aerogeneradores con sensores de fibra óptica basados en Brillouin
Artículo:
Clasificador de parches del contorno de la forma de la cara utilizando la varianza del valor de gris con interpolación bilineal
Artículo:
Efecto del refuerzo de fibra de corteza de plátano (Musa ornata) de grado hidrófobo en las propiedades fisicomecánicas del polipropileno isotáctico
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Folleto:
Análisis de rentabilidad económica y financiera
Artículo:
¿Por qué debemos conservar la fauna silvestre?
Artículo:
Emisiones globales de gases de efecto invernadero provenientes de materiales de construcción residencial y comercial: estrategias de mitigación para 2060