图形辨识期末作业指导教授戴绍国老师学生资工硕一A10027605.DOCVIP

圖形辨識期末作業 指導教授:戴紹國 老師 學生:資工碩一A廖騰翔  1 maximum likelihood estimation 最大似然估計 用來求一個樣本集的相關機率密度函數的參數。 適合的特徵空間分布型態為何。 樣本分布是常態分布的型態。 不適合的特徵空間分布型態為何。 樣本分布是非常態分布的型態會分類不好。 優點。 簡單、泛函不變性、經常趨於常態分佈。 缺點。 偏差值會影響測試模型。 限制。 混沌分布和非常態分類結果不佳。 2 Parzen Window Method 核密度估計法 核密度估計在估計邊界區域的時候會出現邊界效應。在單變數核密度估計的基礎上，可以建立風險價值的預測模型。通過對核密度估計變異係數的加權處理，可以建立不同的風險價值的預測型。 適合的特徵空間分布型態為何。 資料特徵維度高。 不適合的特徵空間分布型態為何。 資料特徵維度低。 優點。 不利用有關數據分布的先驗知識，對數據分布不附加任何假定，是一種從數據樣本本身出發研究數據分布特徵的方法。 缺點 樣本數太少 限制。 寬度如果決定錯誤可能會造成分類錯誤。 3 k-Nearest neighbor estimation最近鄰居法 在樣本中先分群聚，再隨機放入一點在任意地點，在最近距離距離的K個點，最多點的群就分類到那群。 適合的特徵空間分布型態為何。 群聚分布分明的樣本。 不適合的特徵空間分布型態為何。 群聚分布交錯的樣本。 優點。 原理簡單、支持增量學習。 缺點 計算量大、訓練樣本要準確。 限制。 樣本分布均勻。 4 Perceptron_Batch linear classify感知機批次線性分類器 線性分類器，類神經網路中的一種方法。 適合的特徵空間分布型態為何。 資料複雜度低的樣本。 不適合的特徵空間分布型態為何。 資料複雜度高的樣本處理較不夠力。 優點。 計算量較低。 缺點 在計算複雜度高的樣本時，所需的感知器會增加，速度就會降低。 限制。 所有的訓練資料輸入後才能執行。 5 support vector machines支持向量機 一種監督式學習的方法，它廣泛的應用於統計分類以及回歸分析中。 適合的特徵空間分布型態為何。 小的、多維度的樣本。 不適合的特徵空間分布型態為何。 樣本數過多。 優點。 速度快、處理線性不可分的情況、有效降低分類器的錯分率。 缺點 無法得到機率式的預測、需要多一步降低support vector 數量的處理動作。 限制。 所有的訓練資料輸入後才能執行。  實驗結果：ML、PA和KNN的比較 訓練樣本數 方法 500 1500 2500 3500 4500 ML(D=0) 0.7758 0.8288 0.8780 0.9288 0.9768 PA 0.8296 0.8572 0.8974 0.94 0.9806 KNN 0.8746 0.9168 0.9404 0.9640 0.9890 圖1樣本數500 結論 在分類時待分類資料特性如資料量大小、訓練樣本數、資料的分布狀況、資料維度來選擇要使用的分類器和調整參數，這樣分類器的結果才會達到最佳的結果。