|
NN 분류기를 사용하여 분류를 수행하되, K의 값과 거리함수에 대하여 다양한 변형을 시도해 보시오. 그 결과를 결정경계와 분류률의 측면에서 분석하시오.
2.퍼셉트론을 사용한 분류를 수행하되, 학습률(η)과 초기치를 변화시키면서 수행
|
|
|
6.2 a) ID와 ZIP를 제외한 모든 예측변수들을 사용하여 k=1일 때의 K-NN의 성과를 측정하시오. 우선 3개 이상의 범주를 가지는 범주형 예측 변수들을 더미변수들로 변환하시오. 성공집단을 1(대출제안을 수락한 집단)로 분류하고 분류기준값은 0.5
|
|
|
nn(Range를 기준으로) 포함되는 알파벳의 누적값을 저장하는 함수 */
void XNN(float **, char *, float **, int baseofnn[TEST_ROW][26], float var[][6]);
/* 상위 2개의 알파벳을 k-nn응용으로 비교하여 최종값을 저장하는 함수 */
void ReturnTestAnswer(float **, float **, float *
|
|
|
적용된 회귀식의 총합이며, Moving Average나 K-NN(Kth Nearest Neighbor), RBFN(Radial Basis Function Network), Neural Network와 SVM(Support Vector Machine)와 매우 유사한 특성이 있다. 1. 커널회귀 정의 3
2. 분석방법 3
3. Kernel Width 7
4. Kernel 9
5. 참고문헌 12
|
|
메뉴펼치기
