کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
In prediction tasks with multi-class outcomes, identifying covariates specifically associated with one or more outcome classes can be important. Conventional variable importance measures (VIMs) from random forests (RFs), like permutation and Gini importance, focus on overall predictive performance or node purity, without differentiating between the classes. Therefore, they can be expected to fail to distinguish class-associated covariates from covariates that only distinguish between groups of classes. We introduce a VIM called multi-class VIM, tailored for identifying exclusively class-associated covariates, via a novel RF variant called multi forests (MuFs). The trees in MuFs use both multi-way and binary splitting. The multi-way splits generate child nodes for each class, using a split criterion that evaluates how well these nodes represent their respective classes. This setup forms the basis of the multi-class VIM, which measures the discriminatory ability of the splits performed in the respective covariates with regard to this split criterion. Alongside the multi-class VIM, we introduce a second VIM, the discriminatory VIM. This measure, based on the binary splits, assesses the strength of the general influence of the covariates, irrespective of their class-associatedness. Simulation studies demonstrate that the multi-class VIM specifically ranks class-associated covariates highly, unlike conventional VIMs which also rank other types of covariates highly. Analyses of 121 datasets reveal that MuFs often have slightly lower predictive performance compared to conventional RFs. This is, however, not a limiting factor given the algorithm's primary purpose of calculating the multi-class VIM.
چکیده به فارسی (ترجمه ماشینی)
در کارهای پیش بینی با نتایج چند طبقه ، شناسایی متغیرهای متغیر که به طور خاص با یک یا چند کلاس نتیجه همراه است می تواند مهم باشد.اقدامات مهم متغیر متغیر (VIM) از جنگل های تصادفی (RFS) ، مانند جابجایی و اهمیت جینی ، بر عملکرد کلی پیش بینی کننده یا خلوص گره ، بدون تمایز بین کلاس ها ، تمرکز دارد.بنابراین ، می توان از آنها انتظار داشت که متغیرهای متغیرهای مرتبط با کلاس را از متغیرهای متغیرهای متمایز که فقط بین گروههای کلاس تمایز قائل هستند ، تشخیص دهند.ما یک VIM به نام VIM چند طبقه را معرفی می کنیم ، متناسب با شناسایی متغیرهای متداول در کلاس ، از طریق یک نوع RF جدید به نام Multi Forest (MUF).درختان موجود در MUF از هر دو تقسیم چند طرفه و باینری استفاده می کنند.تقسیمات چند طرفه گره های کودک را برای هر کلاس ایجاد می کند ، با استفاده از یک معیار تقسیم شده که ارزیابی می کند که این گره ها چگونه کلاس های مربوطه خود را نشان می دهند.این تنظیم اساس VIM چند طبقه را تشکیل می دهد ، که توانایی تبعیض آمیز شکاف های انجام شده در متغیرهای مربوطه را با توجه به این معیار تقسیم اندازه گیری می کند.در کنار VIM چند طبقه ، ما یک VIM دوم ، VIM تبعیض آمیز را معرفی می کنیم.این اندازه گیری ، بر اساس تقسیمات باینری ، قدرت تأثیر کلی متغیرها را ، صرف نظر از مرتبط بودن کلاس آنها ، ارزیابی می کند.مطالعات شبیه سازی نشان می دهد که VIM چند طبقه به طور خاص بر خلاف VIM های معمولی که در رتبه های دیگر متغیرهای متغیر قرار دارند ، متغیرهای متغیرهای کلاس را نیز به شدت رتبه بندی می کنند.تجزیه و تحلیل 121 مجموعه داده نشان می دهد که MUF ها اغلب نسبت به RF های معمولی عملکرد پیش بینی کمی پایین تر دارند.با این حال ، این یک عامل محدود کننده با توجه به هدف اصلی الگوریتم از محاسبه VIM چند طبقه نیست.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
