EBOOKI WYDAWCY
-28%
Autor:
Format:
pdf, ibuk
W czasach, gdy ilość i rozmiar danych stają się ogromne, istnieje duże zapotrzebowanie na podejścia do klasyfikacji, które będą skuteczne w rozwiązywaniu takich problemów. W niniejszej pracy przedstawiono algorytmy i związane z nimi zagadnienia wielopoziomowego, hierarchicznego klasyfikatora. Nowością w zaproponowanym ujęciu jest schemat podziału na podzadania przez podział przestrzeni rozpoznawanych klas obiektów. Algorytm wykorzystuje w tym celu wiedzę zdobytą przez mało dokładnie nauczone, "słabe” klasyfikatory. Ich słabość pozwala na szybkie nauczanie niewymagające wielu doświadczeń. Taki mechanizm umożliwia budowę silnego klasyfikatora na kolejnych dodawanych poziomach. Autor prezentuje podstawowe zasady hierarchicznej klasyfikacji, nowe definicje słabego klasyfikatora, szczegółowy opis modelu oraz doświadczenia pokazujące skuteczność podejścia.
Książka przedstawia oryginalne rezultaty, które częściowo już znalazły swoje miejsce w literaturze światowej we wcześniejszych publikacjach autora.
Z recenzji prof. Leszka Rutkowskiego (Politechnika Częstochowska)
W monografii został przedstawiony oryginalny model klasyfikatora, który może być wykorzystany jako skuteczne narzędzie klasyfikacji obrazów.
Z recenzji prof. Mariusza Flasińskiego (Uniwersytet Jagielloński)
Rok wydania | 2012 |
---|---|
Liczba stron | 148 |
Kategoria | Inne |
Wydawca | Wydawnictwo Uniwersytetu Jagiellońskiego |
ISBN-13 | 978-83-233-3444-6 |
Numer wydania | 1 |
Język publikacji | polski |
Informacja o sprzedawcy | ePWN sp. z o.o. |
EBOOKI WYDAWCY
POLECAMY
Ciekawe propozycje
Spis treści
Spis rysunków VII | |
Spis tabel IX | |
Wprowadzenie XI | |
Wstęp | 1 |
1. Podział zadania klasyfikacji | 9 |
1.1. Klasyfikator | 10 |
1.2. Podział przestrzeni klas | 10 |
1.2.1. Losowa symulacja klasyfikatora dla podproblemu | 15 |
1.2.2. Symulacja z wykorzystaniem prawa Bayesa | 17 |
1.2.3. Wykorzystanie ewaluacji ryzyka w rzeczywistym problemie | 19 |
1.3. Wykorzystanie słabych klasyfikatorów | 24 |
2. Klasyfikator Hierarchiczny HCOC | 33 |
2.1. Podział przestrzeni wyjściowej klas | 33 |
2.1.1. Klastry i ich nakładanie się | 37 |
2.2. Definicja HCOC | 38 |
2.2.1. Macierz klastrowania F | 40 |
2.3. Ewaluacja klasyfikatora HCOC | 46 |
2.3.1. Agregacja wyników klasyfikacji w modelach złożonych | 46 |
2.3.2. Wagi klastrów HCOC | 47 |
2.3.3. Ewaluacja poddrzew | 49 |
2.3.4. Zależność wag klastrów od składowych klas | 55 |
2.4. HCOC jako rozwiązanie zadania przez podział | 57 |
2.4.1. Klasyfikacja przykładów | 60 |
2.5. Nauczanie pojedynczych węzłów | 63 |
2.6. Zadanie klastrowania | 65 |
2.6.1. Rozszerzenie algorytmu klastrowania aglomeratywnego | 66 |
2.6.2. Bayesowskie podejście do klastrowania | 67 |
2.6.3. Urównoleglenie klastrowania przy wykorzystaniu algorytmu Rosnacego Gazu Neuronowego GNG | 70 |
2.6.4. Wykorzystanie metod genetycznych dla klastrowania | 73 |
2.6.5. Inne funkcje dopasowania | 74 |
2.6.6. Alternatywne klastrowanie dla lasu drzew decyzyjnych | 76 |
2.6.7. Problem zapewnienia różnorodności klasyfikatorów | 77 |
2.7. Zbieżność nauczania HCOC | 79 |
2.7.1. HCOC jako złożony klasyfikator | 79 |
2.7.2. Błąd HCOC a słabość klasyfikatorów bazowych | 84 |
2.7.3. Zależność błędu HCOC od błędu generalizacji | 84 |
3. Eksperymenty i doświadczenia | 89 |
3.1. Eksperyment Mixture of Gaussians dla wielu klas wyjściowych | 89 |
3.2. Rozpoznawanie przedmiotów z bazy COIL i porównanie z innym modelem hierarchicznym | 93 |
3.3. Zbiory porównawcze z repozytoriów | 94 |
3.4. Klasyfikacja tekstur | 94 |
3.5. Zastosowania w teorii automatów | 96 |
3.6. Rozpoznawanie twarzy | 99 |
3.7. Ekstrakcja reguł | 102 |
Zakończenie | 107 |
Dodatek A. Problemy nauczania maszynowego | 109 |
A.1. Nadzorowane nauczanie maszynowe | 109 |
A.2. Atrybuty przykładów uczących | 109 |
A.3. Funkcje kosztu i ryzyka | 110 |
A.4. Klasyfikatory „monolityczne” | 111 |
A.5. Klasyfikatory złożone | 113 |
A.6. Agregacja wyników | 115 |
A.7. Sposoby selekcji końcowej klasy | 117 |
A.8. Podejścia przy aglomeratywnym klastrowaniu | 117 |
A.9. Algorytm GNG | 118 |
A.10.Niektóre miary różnorodności | 118 |
A.11.Rozkład Beta | 120 |
A.12.Rozkład Dirichleta | 121 |
A.13.Walidacja krzyżowa i błąd Err(0.632) | 122 |
Bibliografia | 125 |
Skorowidz pojęc | 135 |