AIcode مرجع تخصصی هوش مصنوعی

<aicode>

 

 

 

 

 

جهت خصوصی‌سازی و سفارشی‌سازی پروژه‌ها یا دریافت توضیحات و اطلاعات بیشتر از طریق فرم یا شماره تماس در صفحه تماس با ما اقدام کنید.

در این برنامه پیش‌بینی یک متغیر پیوسته با استفاده از ویژگی‌های ورودی در یادگیری ماشین با عنوان مساله رگرسیون مطرح است. برای این پژوهش از یک کتابخانه قوی در زمینه الگوریتم ژنتیک برای رگرسیون با نام GPTIPS استفاده شده است. در مسایل رگرسیون در هنگام آموزش هدف بهینه سازی پارامترهای مدل مفروض برای حداقل کردن مربعات خطای پیش‌بینی است. مدل استفاده شده قابل استفاده در همه مسایل پیش‌بینی (رگرسیون) است، کافی است مجموعه داده را تغییر دهید.
در واقع در این مدل به هرکدام از ژن‌ها (درخت‌ها) یک وزن می‌دهد و نتیجه را با هم جمع می‌کند. این مدل نسبت به درخت‌ها (ژن‌ها) یک مدل خطی است، اما از آنجا که در ادامه می‌بینیم هر ژن (درخت) یک تابع غیر خطی نسبت به ویژگی‌های اولیه است در کل یک تابع غیرخطی از ورودی به خروجی (معدل ترم جاری که قصد پیش‌بینی آن را داریم) یاد می‌گیریم.

محتویات فایل: فایل گزارش 16 صفحه‌ای (شامل گزارش کد و مفاهیم، توضیحات روش استفاده از کتابخانه GPTIPS در زمینه رگرسیون (پیش‌بینی) با استفاده از الگوریتم ژنتیک)، فایل‌های شبیه‌سازی متلب، مجموعه داده، کتابخانه GPTIPS.
زبان برنامه‌نویسی: متلب

حل مسائل رگرسیون با استفاده از الگوریتم ژنتیک (پیش‌بینی)
400,000ریال

تبلیغات AIcodeMahak

AIcode مرجع تخصصی آموزش مهندسی کامپیوتر و هوش مصنوعی

تماس با ما

ايميل: info@aicode.ir

عضویت در خبرنامه AIcode