{"product_id":"studio-comparativo-di-metodi-di-set-per-la-classificazione-von-marcel-katulumba-mbiya-ngandu","title":"Studio comparativo di metodi di set per la classificazione","description":"\u003cp\u003eI metodi Ensemble si basano sull'idea di combinare le previsioni di diversi classificatori per una migliore generalizzazione e per compensare le possibili carenze dei singoli predittori.Si possono distinguere due famiglie di metodi: Metodi paralleli (Bagging, Random forests) in cui il principio è quello di fare una media di diverse predizioni nella speranza di un risultato migliore in seguito alla riduzione della varianza dello stimatore medio.Metodi sequenziali (Boosting) in cui i parametri sono adattati iterativamente per produrre una miscela migliore.In questo lavoro sosteniamo che quando i membri di un predittore fanno errori diversi è possibile ridurre gli esempi mal classificati rispetto a un singolo predittore. Le prestazioni ottenute saranno confrontate utilizzando criteri come il tasso di classificazione, la sensibilità, la specificità, il richiamo, ecc.\u003c\/p\u003e\u003cdiv class=\"aw-variant-hidden-subtitle-div\" id=\"aw-variant-subtitle-9786204696782\"\u003e\u003ch3\u003eApplicazione di Adaboosting e Random Forest a database binari e multiclasse\u003c\/h3\u003e\u003c\/div\u003e","brand":"Autorenwelt Shop","offers":[{"title":"Softcover - 9786204696782","offer_id":40216223776861,"sku":"9786204696782","price":43.9,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0940\/0622\/files\/1e4114c5-d82c-4279-bb18-6b6c293ab95f.png?v=1758344332","url":"https:\/\/shop.autorenwelt.de\/products\/studio-comparativo-di-metodi-di-set-per-la-classificazione-von-marcel-katulumba-mbiya-ngandu","provider":"Autorenwelt Shop","version":"1.0","type":"link"}