C'est le point central du logiciel, l'idée est de pouvoir enquiller des méthodes, tout en profitant de la structure construite autour pour enchaîner la préparation des données (instance filtering, feature selection, feature construction, régularisation...) et l'apprentissage supervisé proprement dit. Si la structure est bonne, on est tranquile pour au moins 5 ans d'expés en tout genre dans le domaine. Trois familles de classes sont définies à la base : le meta supervised qui permettra par la suite d'implémenter les boosting, arcing, etc..., le supervised qui est le composant embedded dans le meta, et la classe de calcul qui s'oocupe de construire 1 classifieur.
| Name | Description |
|---|---|
Class TCalcSpvLearning |
|
Class TConfusionMatrix |
|
Class TMLCompMetaSpvLearning |
|
Class TMLCompSpvLearning |
|
Class TMLGenCompSpvLearning |
|
Class TOpMetaSpvLearning |
|
Class TOpPrmMetaSpvLearning |
|
Class TOpPrmSpvLearning |
|
Class TOpSpvLearning |
|
Class TOpSpvLearningContinuous |
|
Class TOpSpvLearningDiscrete |
| Name | Description |
|---|---|
| TClassCalcSpvLearning |
Ricco
12/01/2004