ارسل ملاحظاتك

ارسل ملاحظاتك لنا







يجب تسجيل الدخول أولا

Using Principal Component Analysis and Linear Discriminant Analysis as Dimensional Reduction Techniques

المؤلف الرئيسي: فريحات، ساجدة (مؤلف)
مؤلفين آخرين: حنايشة، حسن (مشرف)
التاريخ الميلادي: 2021
موقع: جنين
الصفحات: 1 - 104
رقم MD: 1228490
نوع المحتوى: رسائل جامعية
اللغة: الإنجليزية
الدرجة العلمية: رسالة ماجستير
الجامعة: الجامعة العربية الأمريكية - جنين
الكلية: كلية الدراسات العليا
الدولة: فلسطين
قواعد المعلومات: Dissertations
مواضيع:
رابط المحتوى:
صورة الغلاف QR قانون

عدد مرات التحميل

40

حفظ في:
المستخلص: اقتحمت ثورة البيانات جميع جوانب حياتنا، حيث يمكننا مشاهدة ذلك في جميع مناحي الحياة حولنا والسبب في ذلك أنه أصبح يتم الحصول على المعلومات وتوليدها بسهولة وبالتالي إنتاج كمية هائلة من البيانات. هذا الكم الهائل من البيانات أصبح متعدد الأبعاد بشكل كبير، لذلك أصبح واجبا علينا إيجاد طريقة لتلخيص وعرض هذه البيانات بحيث يسهل فهما والتعامل معها. إن عملية تحويل هذا البيانات من بيانات متعددة الأبعاد إلى بيانات ذات أبعاد أقل تحتاج إلى قدرة تخزينية ومعالجة كبيرة وبالتالي تصبح العملية صعبة جدا. ولحل هذه المشكلة ظهر عدة تقنيات لتقليل الأبعاد من أهمها تقنية تحليل المكونات الرئيسية وتقنية التحليل التمييزي اللتان هما موضوع هذه الرسالة. تم دراسة تقنيات تقليل الأبعاد المختلفة وتم التعمق وعمل مقارنة بين طريقة تحليل المكونات الرئيسية وطريقة التحليل التمييزي وتم استخدام بيانات عالمية وتطبيق الطريقتين على البيانات بشكل منفصل للتعرف على إيهما أفضل في تقليل الأبعاد وبالتالي تقديم توصيات حول متى يكون استخدام أحدهما أفضل من الأخرى وما هي العوامل الذي تساعد في تفضيل أحدهما على الأخرى. بعد الدراسة المستفيضة للطريقتين والمقارنة بينهما، وجدنا أن تحليل المكونات الرئيسية تكون أفضل من التحليل التمييزي عندما تكون العلاقة بين المتغيرات قوية أو عندما تكون عدد العينات لكل صنف قليل. من ناحية أخرى تكون طريقة التحليل التمييزي أفضل من تحليل المكونات الرئيسية عندما تكون البيانات كبيرة جدا وعدد التصنيفات فيها كبير جدا أو عند وجود قيم متطرفة بشكل كبير في البيانات.

عناصر مشابهة