Слайды и текст доклада
Pic.1
Распознавание образов
Pic.2
Распознавание образов раздел кибернетики, развивающий теоретические основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т. п. объектов, которые …
Pic.3
Имеется некоторый способ кодирования объектов, принадлежащих заранее известному конечному множеству классов C={C1 ,. . . ,Cq}, и некоторое конечное множество объектов (обучающее множество), про …
Pic.4
Примеры задач Распознавание текста Распознавание лиц Распознавание речи и звуков Анализ сцен Распознавание ситуаций
Pic.5
Система распознавания Типичная система распознавания состоит из трех частей: извлечение признаков, собственно распознавание и принятие решения. Извлечение признаков - это преобразование входных …
Pic.6
Алгоритм распознавания строит отображение F из пространства признаков Rd в единичный куб в пространстве Rq. Желаемые значения F в точках пространства признаков, соответствующих обучающему множеству, …
Pic.7
Распознающий алгоритм - это вектор-функция двух векторных переменных Y=F(W,X), где X - d-мерный вектор признаков, Y - q-мерный вектор вероятностей, а W - параметр. Как правило параметр тоже является …
Pic.8
Обучение, в котором про обучающие вектора признаков известно, какому классу они принадлежат - называется обучением с учителем. Бывает еще обучение без учителя - когда имеется некоторое обучающее …
Pic.9
Методы распознавания Искусственные нейронные сети Комитет рандомизированных решающих деревьев (Random Forest) Машины опорных векторов (SVM) Бустинг (AdaBoost) Скрытые марковские модели (HMM)
Pic.10
Random Forest Алгоритм применяется для задач классификации, регрессии и кластеризации. Заключается в использовании комитета (ансамбля) решающих деревьев
Pic.11
Алгоритм Пусть обучающая выборка состоит из N примеров, размер пространства признаков равен M, и задан параметр m. Все деревья комитета строятся независимо друг от друга по следующей процедуре: 1. …
Pic.12
Классификация объектов проводится путём голосования: каждое дерево комитета относит классифицируемый объект к одному из классов, и побеждает класс, за который проголосовало наибольшее число деревьев. …
Pic.13
Преимущества Высокое качество получаемых моделей, сравнимое с SVM и бустингом, и лучшее, чем у нейронных сетей. Способность эффективно обрабатывать данные с большим числом признаков и классов. …
Pic.14
Недостатки Алгоритм склонен к переобучению на некоторых задачах, особенно на зашумленных задачах. Большой размер получающихся моделей.
Pic.16
Усиление простых классификаторов - подход к решению задачи классификации (распознавания), путём комбинирования примитивных <слабых> классификаторов в один <сильный>. Под <силой> …
Pic.17
Пример Пускай человек, играющий на скачках, решил создать программу, которая бы предсказывала, придёт ли интересующая его лошадь первой к финишу. Опросив некоторое количество играющих людей, он смог …
Pic.18
AdaBoost Относится к классу статических ассоциативных машин Требуется построить классифицирующую функцию F:X->Y, где X - пространство векторов признаков, Y - пространство меток классов. Пусть в …
Pic.19
Алгоритм Discrete AdaBoost 1. Пусть , …, - начальная обучающая выборка и - начальное распределение для каждого i 2. Для каждого шага : a. Выбираем наилучший на текущем распределении слабый …
Pic.20
c. Запоминаем и обновляем распределение где - нормализующий коэффициент, такой что 3. Составляем комитет (сильный классификатор) следующим образом:
Pic.21
AdaBoost адаптивно настраивается на ошибки слабых классификаторов Верность классификации – 91,72%, при этом: 1 эксперт 75,15% 2 эксперт 71,44% 3 эксперт 68,90%
Скачать презентацию
Если вам понравился сайт и размещенные на нем материалы, пожалуйста, не забывайте поделиться этой страничкой в социальных сетях и с друзьями! Спасибо!