[레포트]패턴인식(SFFS, k-means, SOM)
페이지 정보
작성일 19-05-24 15:55
본문
Download : [레포트]패턴인식(SFFS, k-means, SOM).hwp
Download : [레포트]패턴인식(SFFS, k-means, SOM).hwp( 64 )
설명
[레포트]패턴인식(SFFS, k-means, SOM) , [레포트]패턴인식(SFFS, k-means, SOM)기타레포트 , 레포트 패턴인식 SFFS k means SOM
레포트/기타
[레포트]패턴인식(SFFS, k-means, SOM)
순서
![[레포트]패턴인식(SFFS,%20k-means,%20SOM)_hwp_01.gif](http://www.allreport.co.kr/View/%5B%EB%A0%88%ED%8F%AC%ED%8A%B8%5D%ED%8C%A8%ED%84%B4%EC%9D%B8%EC%8B%9D(SFFS,%20k-means,%20SOM)_hwp_01.gif)
![[레포트]패턴인식(SFFS,%20k-means,%20SOM)_hwp_02.gif](http://www.allreport.co.kr/View/%5B%EB%A0%88%ED%8F%AC%ED%8A%B8%5D%ED%8C%A8%ED%84%B4%EC%9D%B8%EC%8B%9D(SFFS,%20k-means,%20SOM)_hwp_02.gif)
![[레포트]패턴인식(SFFS,%20k-means,%20SOM)_hwp_03.gif](http://www.allreport.co.kr/View/%5B%EB%A0%88%ED%8F%AC%ED%8A%B8%5D%ED%8C%A8%ED%84%B4%EC%9D%B8%EC%8B%9D(SFFS,%20k-means,%20SOM)_hwp_03.gif)
![[레포트]패턴인식(SFFS,%20k-means,%20SOM)_hwp_04.gif](http://www.allreport.co.kr/View/%5B%EB%A0%88%ED%8F%AC%ED%8A%B8%5D%ED%8C%A8%ED%84%B4%EC%9D%B8%EC%8B%9D(SFFS,%20k-means,%20SOM)_hwp_04.gif)
[레포트]패턴인식(SFFS, k-means, SOM)
SFFS(Sequential Forward Floating Search)
-d개의 특징을 갖는 특징 집합 F에서 개를 갖는 최적의 특징 부분 집합 을 선택하는 특징선택의 문제에 사용된다
k는 부분집합의 크기를 나타낸다. 이 알고리즘에서는 현재까지의 가장 좋은 부분집합을 저장할 공간이 모든 k에 대해 있어야 한다. 과거에 어떤 일이 있었는지 未來에 어떤 일이 발생할 지에 대한 고려가 전혀 없고 오로지 어떤 순간에 이웃에서 다음 해를 찾는 시야가 매우 좁은 욕심 알고리즘이다. 조건에 따라 추가와 제거를 수행하므로, p와 q가 동적으로 변하게 되고 floating이라는 단어가 붙게 되었다.
k-means
k-means 알고리즘은 주어진 데이터들을 사전에 정해진 수만큼의 클러스터로 자동 분류하는 간단한 클러스터링 알고리즘의 일종이다. 이 반복과정은 클러스터의 중심이 더 이상 이동하지 않을 때까지 시행하면 된다 결과적으로 이 알고리즘은 클러스터의 중심에서 그 클러스터에 할당된 데이터와의 거리의 제곱을 그 클러스터의 모든 점과 전체 클러스터에 관련되어 합한 값을 최소화시키는 클러스터 중심과 데이터의 분할을 찾는 것이 된다
라인1에서 X에 속한 샘플 중에 k개를 선정하여 초기화 한다. 이 알고리즘의 주된 아이디어는 각 클러스터의 중심을 어떻게 하면 잘 잡는가이다. 가 그 역할을 한다. 임의로 선정할 수도 있고 처음 k개를 선정할 수도 있다아 또는 다른 알고리즘을 수행하여 개략적인 군집 해를 만들고 각 군집에서 대표를 하나씩 뽑아 해결할 수도 있다아 라인 3에서는 군집 중심과 샘플간의 거리를 이용하므로 두 점간의 거리 계산 방법 중에 하나를 선…(생략(省略))
레포트,패턴인식,SFFS,k,means,SOM,기타,레포트
다. 좋은 선택은 각각의 중심이 가능한 한 서로 멀리 떨어지게 만들고 각각의 데이터에 관련되어 가장 가까이에 있는 클러스터에 할당시키면 된다 그리고 나서 클러스터의 중심을 그 클러스터에 속한 데이터의 무게중심으로 재설정하고, 다시, 각각의 데이터를 클러스터에 할당하는 작업을 반복한다.
