Υλοποίηση υπερ-ταξινομητών πολυμεσικών δεδομένων
| dc.contributor.advisor | Τσιχριντζής, Γεώργιος | |
| dc.contributor.author | Κάτσαρης, Δημήτριος Α. | |
| dc.date.accessioned | 2012-06-13T06:14:21Z | |
| dc.date.available | 2012-06-13T06:14:21Z | |
| dc.date.issued | 2012-06-13T06:14:21Z | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/4828 | |
| dc.description.abstract | Η παρούσα μεταπτυχιακή διατριβή πραγματεύεται το πρόβλημα της ταξινόμησης προτύπων τα οποία ανήκουν σε περισσότερες από δύο κλάσεις. Για το σχεδιασμό του υπέρ-ταξινομητή μελετήθηκε η μέθοδος 'one against all'. Σύμφωνα με τη μέθοδο αυτή για κάθε κλάση δεδομένων δημιουργείται ένας ταξινομητής ο οποίος εκπαιδεύεται με θετικά και αρνητικά δεδομένα. Τα θετικά δεδομένα αποτελούνται από τα στιγμιότυπα της κλάσης στην οποία αντιστοιχίζεται κάθε φορά ο ταξινομητής ενώ τα αρνητικά δεδομένα αποτελούνται από τα στιγμιότυπα όλων των υπόλοιπων κλάσεων. Αν το πλήθος των θετικών και αρνητικών στιγμιότυπων είναι ίσο τότε μιλάμε για ισοζυγισμένο ταξινομητή ενώ σε αντίθετη περίπτωση για μη-ισοζυγισμένο ταξινομητή. Μετά την εκπαίδευση όλων των επιμέρους ταξινομητών ελέγχοντας ένα δοσμένο στιγμιότυπο με όλους τους παραπάνω ταξινομητές μπορούμε να βγάλουμε συμπέρασμα σε ποια κλάση αυτό το στιγμιότυπο μπορεί να ανήκει. Στηριζόμενοι πάνω σε αυτή τη μέθοδο, δημιουργήθηκαν υβριδικά μοντέλα τα οποία βοήθησαν στην τελική σχεδίαση του υπέρ-ταξινομητή. Η προσέγγιση του προβλήματος στηρίχθηκε στην αρχή στη χρήση του ταξινομητή μηχανών διανυσμάτων στήριξης (Support Vector Machines). Προκειμένου όμως να βγουν πιο ασφαλή συμπεράσματα για τη μέθοδο 'one against all' και των υβριδικών μοντέλων που δημιουργήθηκαν χρησιμοποιήθηκαν και νευρωνικά δίκτυα τα οποία όμως κατά την αξιολόγηση έδωσαν χειρότερα αποτελέσματα. Η αξιολόγηση των παραπάνω μεθόδων σχεδίασης του υπέρ-ταξινομητή έγινε σε τρία προβλήματα ταξινόμησης. Τα δύο αναφέρονται σε προβλήματα ταξινόμησης μουσικών κομματιών για τα οποία έχουν υπολογιστεί κατάλληλα διανύσματα χαρακτηριστικών και το τρίτο αναφέρεται στην ταξινόμηση ανθρώπινων εκφράσεων προσώπου. Τα αποτελέσματα αναδεικνύουν ότι η τελική υβριδική σχεδιαστική μέθοδος του υπέρ-ταξινομητή φαίνεται να δίνει οριακά λίγο καλύτερα αποτελέσματα από αυτά της απλής μεθόδου 'one against all'. Επίσης φαίνεται ότι σημαντικό ρόλο στα τελικά αποτελέσματα παίζει η ποιότητα του συνόλου των χαρακτηριστικών που δίνονται σαν είσοδος στον ταξινομητή. | |
| dc.language.iso | el | |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 4.0 Διεθνές | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/deed.el | |
| dc.subject | Machine learning | |
| dc.subject | Αλγόριθμοι | |
| dc.title | Υλοποίηση υπερ-ταξινομητών πολυμεσικών δεδομένων | |
| dc.type | Master Thesis | |
| europeana.isShownAt | https://dione.lib.unipi.gr/xmlui/handle/unipi/4828 | |
| dc.identifier.call | 006.3'1 ΚΑΤ | |
| dc.description.abstractEN | This graduate dissertation is dealing with the case of classification of patterns which belong to more than two classes. The design of the super-classifier was based in a method called "one against all". According to this method, for each data class, there is created a classifier that is trained by using positive and negative training data population. Positive data consist of snapshots of the class, which the classifier corresponds with each time, while negative data consist of snapshots of remaining classes. If the population of positive data and the population of negative data is equal, then we have balanced classifier, otherwise, we have an unbalanced classifier. After the integrated training of all the particular classifiers, we can conclude which class a give snapshot possibly belongs to by checking this snapshot with all the above particular classifiers. Based on this method, we created our own models that assisted us to design the final model of our super-classifier. Initially, the approach of the problem was based on the use of the classifier SVM (Support Vector Machines). However, in order to have a safer conclusion for the method "one against all", we also used neural networks that unfortunately returned worse results during the evaluation process. The evaluation of the above design methods of the super-classifier was focused on three particular classification problems. The two of them refer to classification problems of musical pieces, for which suitable characteristic vectors have been computed, and the third one refers to the classification of human face expressions. The results show that the final hybrid design method of the super-classifier seems to have slightly better performance that of the pure (original) method "one against all". Also, it seems that the quality of the set of characteristics, which are given as an input to the classifier, play a considerable role in the deduction of the final results. |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 4.0 Διεθνές
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 4.0 Διεθνές