سلام دوستان،توی متلب قراره ما از ترکیب طبقه بندها برای تشخیص ارقام دستنویس استفاده کنیم،دیتاستها رو هم گرفتیم اما اما نمیدونم تو متلب باید از کجا شروع کنیم،کسی میتونه راهنمایی کنه لطفا؟
سلام دوستان،توی متلب قراره ما از ترکیب طبقه بندها برای تشخیص ارقام دستنویس استفاده کنیم،دیتاستها رو هم گرفتیم اما اما نمیدونم تو متلب باید از کجا شروع کنیم،
خوب شما از چه کلاسیفایرهایی میخواهید برای ترکیب استفاده کنید؟ بعد نوع ترکیب کلاسیفایر ها هم مهم هست!!
شما نحوه ترکیبشون رو مشکل دارید یا کار با متلب؟
نوشته شده توسط manij_mhm
با سلام. ما در نحوه ترکیبشون مشکل داریم لطفا راهنمایی کنید؟؟؟؟؟؟
به چند صورت مختلف می تونید این کارو انجام بدید.
در ساده ترین حالت می تونید به صورت موازی کلاسیفایر ها رو ترکیب کنید یعنی به هر کلاسیفایر ابتدا به صورت مجزا اموزش داده میشود در نهایت جوابهای حاصل رو ترکیب کنید. مثلا رای گیری! هر کلاسی که رای ییشتری بیاره داده تست به این کلاس تعلق داره! توی این حالت می تونید مکانیسم های مختلفی رو بکار بگیرید مثلا
1.کلاسیفایرهای مختلف با داده های اموزشی یکسان
2. کلاسیفایرهای یکسان با داده های اموزشی مختلف (تقسیم DS به چند بخش)
3. کلاسیفایرهای یکسان یا مختلف که با ویژگی های مختلف داده های اموزشی اموزش می بینند (در اینجا منظور اینه که ویژگی های استخراج شده از جند نوع مختلف هستند. مثلابرای شناسایی یه فرد می تونید از اثر انگشت و قرنیه، صورت و ... استفاده کنید.)
یه روش دیگه هم هست که به صورت متوالی کلاسیفایر ها رو ترکیب میکنه.
الگوریتم Bagging از دسته الگوریتم های ترکیب موازی کلاسیفایرهاست. که هر کلاسیفایر به صورت مجزا اموزش دیده، سپس نتایج انها برای کلاسیفای داده تست با یکدیگر ترکیب می شوند.
به تعداد کلاسیفایر های مورد استفاده، مجموعه داده اموزشی از داده اموزشی اولیه تهیه می کنیم. برای 3ترکیب کلاسیفایراین کار با انتخاب تصادفی n که در اینجا 3/2 کل داده ها می باشد از مجموعه اموزشی با جایگذاری صورت می گیرد. در اینجا سه کلاسیفایر با هم ترکیب می شوند، بنابراین 3 مجموعه n عضوی از DS با جایگذاری ایجاد می نماییم. چون انتخاب با جایگذاری می باشد، اعضای مجموعه اموزشی های جدید می تواند تکراری هم باشند.
در گام بعدی، هر طبقه بندی کننده را با یک مجموعه اموزشی مجزا اموزش می دهیم.
الگوریتم boosting، از جمله الگوریتمهای ترکیب کلاسیفایر ها به صورت متوالی است. در این روش کلاسیفایر ها به طور متوالی به یکدیگر متصل و اجرا می شوند. اساس کار در این روش به صورت زیر است:
در ابتدا مجموعه DS1 متشکل از n1<n نمونه از مجموعه داده های اموزشی اصلی DS بدون جایگذاری انتخاب می شود و کلاسیفایر C1 را توسط این مجموعه اموزش می دهیم.
در گام بعد n2<n نمونه از مجموعه داده های اموزشی اصلی به همراه نیمی از داده های misclassified از کلاسیفایر قبل به عنوان مجموعه اموزشی DS2 انتخاب شده و توسط ان کلاسبفایر C2 را اموزش می دهیم.
در گام بعد تمامی نمونه های باقی مانده از مجموعه داده های اموزشی اصلی که C1 و C2 انها را ¬¬به کلاس های مختلفی تخصیص داده اند، به عنوان مجموعه اموزشی DS3 به کلاسیفایر سوم می دهیم.
در انتها نیز در بین کلاسیفایر برای انتخاب کلاس برتر رای گیری صورت می پذیرد. در پیاده سازی کلاسیفایر اول 6/1 داده های را برای مجموعه validation قرار داده و مابقی را به عنوان train، پس از کلاس بندی، 6/1 دیگر از داده های اموزشی را به طور تصادفی به عنوان validation قرارمی دهیم. برای مجموعه اموزشی نیز50 درصد داده های misclassify شده بعلاوه انتخاب تصادفی از باقیمانده داده های اولیه را قرار می دهیم.
موفق باشید.
ممنون. میشه یه ماتریس کد مناسب رو به ما بگید ببخشید خیلی لازمه
قوانین ایجاد تاپیک در تالار
پاسخ با نقل قول