Это команда pkfsann, которую можно запустить в бесплатном хостинг-провайдере OnWorks, используя одну из наших многочисленных бесплатных онлайн-рабочих станций, таких как Ubuntu Online, Fedora Online, онлайн-эмулятор Windows или онлайн-эмулятор MAC OS.
ПРОГРАММА:
ИМЯ
pkfsann - выбор функций для классификатора nn
СИНТАКСИС
пкфсанн -t обучение -n номер [кредита] [продвинутый кредита]
ОПИСАНИЕ
Проблемы классификации, связанные с входными данными большого размера, могут быть сложными из-за
феномен Хьюза. Например, гиперспектральные данные могут иметь сотни спектральных
полосы и требуют особого внимания при классификации. В частности, когда ограничено
доступны обучающие данные, классификация таких данных может быть проблематичной без
уменьшение размера.
пкфсанн реализует ряд методов выбора функций, среди которых последовательный
плавающий поиск вперед (SFFS). Также рассмотрите классификатор SVM, реализованный в пксвм(1)
который оказался более устойчивым к этому типу проблем, чем другие.
ДОПОЛНИТЕЛЬНЫЕ ОПЦИИ
-t имя файла, --обучение имя файла
тренировочный векторный файл. Один векторный файл содержит все обучающие функции (должен быть
устанавливается как: B0, B1, B2, ...) для всех классов (номера классов определяются опцией метки).
Используйте несколько обучающих файлов для агрегирования начальной загрузки (альтернатива сумке и
bsize, где случайное подмножество берется из одного тренировочного файла)
-n номер, --nf номер
количество функций для выбора (0 для выбора оптимального количества, см. также - стоимость опция)
-i имя файла, --Вход имя файла
набор входных тестов (оставьте пустым, чтобы выполнить перекрестную проверку только на основе обучения)
-v уровень, --подробный уровень
установлен в: 0 (только результаты), 1 (матрица путаницы), 2 (отладка)
Дополнительные параметры
-tln слой, --tln слой
имя (а) обучающего слоя
-этикетка атрибут, --метка атрибут
идентификатор метки класса в обучающем векторном файле. (по умолчанию: метка)
--остаток средств размер
сбалансировать входные данные с этим количеством выборок для каждого класса (по умолчанию: 0)
-случайных, --случайный
в случае баланса рандомизировать входные данные
-мин номер, --мин номер
если количество обучающих пикселей меньше min, не учитывать этот класс
-b группа, --группа группа
индекс диапазона (начиная с 0, либо используйте опцию диапазона, либо используйте начало в конец)
-полос группа, --startband группа
порядковый номер начального диапазона
-ебанд группа, --конечная полоса группа
порядковый номер конечной полосы
-компенсировать ценностное , --компенсировать ценностное
значение смещения для каждой входной характеристики спектральной полосы:
refl [диапазон] = (DN [диапазон] -смещение [диапазон]) / масштаб [диапазон]
-масштаб ценностное , --шкала ценностное
значение шкалы для каждого входного спектрального диапазона:
refl = (DN [band] -offset [band]) / scale [band] (используйте 0, если масштабирование min и max в каждом диапазоне
до -1.0 и 1.0)
-a 0 | 1 | 2, --агрег 0 | 1 | 2
как комбинировать агрегированные классификаторы, см. также --rc option (0: без агрегирования, 1:
правило сумм, 2: правило максимума).
-см метод, --см метод
метод выбора функции (sffs = последовательный поиск с плавающей запятой, sfs = последовательный
поиск вперед, sbs, последовательный поиск назад, bfs = поиск грубой силы)
-экономия ценностное , - стоимость ценностное
эпсилон для критерия остановки в функции стоимости для определения оптимального количества
функции
-резюме ценностное , --резюме ценностное
n-кратный режим перекрестной проверки (по умолчанию: 0)
-c имя, --класс имя
список имен классов.
-r ценностное , - переклассифицировать ценностное
список значений класса (используйте тот же порядок, что и в --класс опция).
-n номер, --нейрон номер
количество нейронов в скрытых слоях нейронной сети (несколько скрытых слоев
устанавливается путем определения нескольких нейронов: -нн 15 -нн 1, по умолчанию - один скрытый
слой с 5 нейронами)
--связь 0 | 1
скорость подключения (по умолчанию: 1.0 для полностью подключенной сети)
-w весами, - веса весами
веса для нейронной сети. Применяется только к полностью подключенной сети, начиная с
от первого входного нейрона до последнего выходного нейрона, включая нейроны смещения (последний нейрон
в каждом, кроме последнего, слое)
-l скорость, --обучение скорость
скорость обучения (по умолчанию: 0.7)
- максит номер
количество максимальных итераций (эпоха) (по умолчанию: 500)
Используйте pkfsann онлайн с помощью сервисов onworks.net
