دانلود مبانی نظری متدهای یادگیری تجمعی و رندوم فارست فرمت قابل ویرایش ورد word تعداد صفحات: ۱۷ صفحه خلاصه ای از فایل مقدمه پیشبینی دقیق وضعیت ترافیکی، امری لازم و تأثیرگذار در مدیریت مؤثر سیستمهای حملونقل هوشمند به حساب میآید. از آنجا که دادههای ترافیکی معمولاً دادههایی با حجم بالا هستند، تکنیکهای کاربردی و جدیدی را برای پردازش نیاز دارند. داده کاوی بعنوان یک شاخه از علم کامپیوتر اخیراً توجه زیادی را به خود جلب کرده است که در نتیجهی اعمال آن، آنالیز و پردازش پایگاه داده[۱] های بزرگ فراهم میشود. در واقع متدهای داده کاوی معمولاً با هدف استخراج دانش[۲] و ساخت مدل از دادههای حجیم بکار گرفته میشوند[۲۴]. از میان روشهای گوناگون داده کاوی، تمرکز تعداد قابل توجهی از تحقیقات به روی یادگیری یادگیری تجمعی [۳] ، درختهای تصمیمگیری و بطور ویژه رندوم فارست[۴] میباشد که در ادامه توضیح داده خواهند شد[۲۵]. فهرست ۱-۱مقدمه۱ ۱-۲-متدهای یادگیری تجمعی ۲ ۱-۲-۱٫تعاریف مفاهیم اولیه ۲ ۱-۲-۲٫درخت بوستینگ ۴ ۱-۲-۳٫درخت بگینگ ۴ ۱-۳-رندوم فارست ۶ ۱-۳-۱٫مراحل توسعهی رندوم فارست ۸ ۱-۳-۲٫تئوریهای مرتبط با رندوم فارست۱۱ ۱-۳-۳٫رندوم فارست برای رگرسیون ۱۴ ۱-۳-۴٫مزایا و کاربردهای رندوم فارست ۱۴ ۱-۴-نتیجه گیری ۱۵