SML/Lesson 8: 淺度機器學習：分類器的原理與評比實驗

Multinomial Logistic Regression, Support Vector Machine and Neural Network

• 兩篇關於 SVM 淺顯易懂的文章：SVM 支援向量機演算法-原理篇 （或 PDF 檔）、實戰篇
• 一篇關於 SVM 的演講投影片 by David Sontag (Slides from Luke Zettlemoyer et. al. )
• 關於 Cross-Validation 的概念。

練習 1：
如上述講義之範例 1，針對義大利地區三個紅酒產區的178瓶酒所萃取出13種葡萄酒成分進行分類實驗。本練習採標準化後的主成分作為訓練與測試資料，並與原始資料作比較。

專題：
本專題計畫執行這篇講義描述的分類器比較，即採用三種分類器分別對兩組人臉影像資料進行分類學習與測試。其中分類器包括：

1. 多元羅吉斯回歸 (Multinomial Logistic Regression)

2. 支援向量機 (Support Vector Machine)

3. 神經網路 (Neural Network)

兩組人臉影像資料包括：

1. 來自 AT&T 40 個人的人臉影像共 400 張，每張大小 64×64。

2. 來自 Yale Face 38 人的人臉影像共 2410 張，每張大小 168×192

注意事項：

• 以每組資料為比較的中心，資料分「原始資料」與「主成分資料」兩種（成分比例自己決定，譬如 proportion=0.8）。分別由三種分類器進行訓練與測試，其中分類器的參數自己決定（試著找出表現最好的）。

• 不論「原始資料」或「主成分資料」，都必須分割出訓練與測試資料，比例自行決定。三個分類器的訓練與測試都必須使用相同的資料，才算是公平的比較。

• 進行完一組資料後，必須就兩種資料型態與三個分類器的表現，發表你的觀察。

• 為了讓老師方便觀看各位的專題報告，請務必利用 markdown 寫好題目與順序、執行 code，並留下結果，接著評論結果。為了不讓內容過長，建議依資料不同區分為兩個檔案。可以使用共用程式碼的方式以降低程式碼的篇幅。

  Share this:

  • X
  • Facebook

  Like Loading...