Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: relevance

Sortuj według:

Ogranicz wyniki do:

Aktualność, generalizacja oraz interpretacja informacji na współczesnych mapach województwa śląskiego

Nita J., Nita M.

Prace Komisji Krajobrazu Kulturowego

2015

nr 28

9--25

Jest to próba refleksji nad podstawowymi materiałami kartograficznymi, na bazie których powstają szczegółowe opracowania tematyczne, związane z zagospodarowaniem przestrzennym, krajobrazem, infrastrukturą, pokryciem terenu itp. Powszechny dostęp do takich materiałów za pomocą Geoportalu po wprowadzeniu INSPIRE1 oraz coraz szersza cyfryzacja map rodzi pewne oczekiwania i wymagania co do ich aktualności. Po szczegółowej analizie dostępnych danych kartograficznych, w tym map topograficznych obszaru województwa śląskiego, potrzebnych do różnych opracowań tematycznych, można dojść do wniosku, że wszystkie dostępne mapy można uznać za „historyczne”. Stan zawartej na nich treści uzasadnia taką refleksję.

It is an attempt to reflect upon the primary cartographic materials on the basis of which specific thematic studies associated with spatial development, landscape, infrastructure, land cover, etc. are developed. Universal access to such materials via the Geoportal after the introduction of INSPIRE and the ever increasing digitalization of maps raises certain expectations and requirements for the relevance of data. After a detailed analysis of the available cartographic data (topographic maps) for the Silesian Province area that is needed for various thematic studies, it can be concluded that all available maps can be considered as "historical". The status of their content justifies such reflection.

CMIM-2: An Enhanced Conditional Mutual Information Maximization Criterion for Feature Selection

Vergara J. R., Estévez P. A.

Journal of Applied Computer Science Methods

2010

Vol. 2 No. 1

5--20

A new greedy feature selection criterion is proposed as an enhancement of the conditional mutual information maximization criterion (CMIM). The new criterion, called CMIM-2, allows detecting relevant features that are complementary in the class prediction better than the original criterion. In addition, we present a methodology to approximate the conditional mutual information to spaces of three variables, avoiding its estimation in high-dimensional spaces. Experimental results for artificial and UCI benchmark datasets show that the proposed criterion outperforms the original CMIM criterion.