001 19312
002 7
004 CDB920D6-A09E-4DA6-BA41-C72ED78ACA12
005 201708011107
008 081223s201||||vm|#################vie#d
009 1 0
039 ## $a20170801110830 $bminhkhue $y20170426145324 $zthanhnhan
082 ## $a000 $bVU-P
100 $aVũ, Văn Phong
245 ## $aHiệu năng của kỹ thuật phân tích sự khác biệt tuyến tính dựa trên hàm nhân trong một số bài toán phân lớp dữ liệu / $cVũ Văn Phong; GVHGKH: TS. Trương Tiến Tùng
260 ## $aH. : $bViện Đại Học Mở Hà Nội, $c2016
300 ## $a62 tr. ; $cA4
520 ## $aMột kỹ thuật trích chọn hiệu quả trong việc làm giảm kích cỡ không gian dữ liệu, loại bỏ đặc tính dư thừa, đặc tính gây nhiễu của dữ liệu đầu vào là kỹ thuật Phân tích sự khác biệt tuyến tính (Linear Discriminant Analysis - LDA). LDA là kỹ thuật tìm tập các thuộc tính tốt nhất để mô tả đối tượng. Vấn đề này còn gọi là trích chọn đặc trưng (Feature Extraction) hay lựa chọn đặc trưng (Feature Selection). Mục đích là từ tập các thuộc tính mô tả đối tượng ban đầu (thường rất lớn có thể hàng trăm, nghìn thuộc tính...) tìm ra tập các thuộc tính tốt nhất để biểu diễn cho đối tượng nhằm làm giảm số chiều biểu diễn đối tượng từ đó làm giảm chi phí tính toán của các mô hình khai phá dữ liệu nhưng chất lượng của mô hình không giảm đi và đồng thời cũng là tìm ra một mô hình tốt nhất để phân lớp dữ liệu. Kỹ thuật phân tích sự khác biệt tuyến tính dựa trên hàm nhân được đưa ra giúp ta có thể chọn ra những đặc tính tốt nhất mang lại hiệu năng cao hơn nữa cho bài toán phân lớp dữ liệu.
653 ## $aDữ liệu
653 ## $aTuyến tính
653 ## $aPhân lớp
653 ## $aHiệu năng
653 ## $aHàm nhân
852 ## $a01 $bKho Luận văn $j(2): 01501251, 08100397
856 1# $uhttp://thuvien.hou.edu.vn/houkiposdata1/luanvanluanankhoaluan/luanvan/2016/000/005/vuvanphong/1biathumbimage.jpg
890 ## $a2 $b0 $c1 $d0