4.Оперативный анализ данных(Ф) (1069494)

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла

Министерство образования и науки Российской ФедерацииФедеральное государственное бюджетное образовательное учреждение высшегопрофессионального образованияМосковский государственный технический университет им. Н.Э. БауманаФакультет «Информатика и системы управления»Кафедра «Автоматизированные системы обработки информации и управления»Тоноян С.А., Емельянов Д.С.Лабораторная работа№4по курсу“Оперативный анализ и визуализация данных”Методическое указаниепо выполнению лабораторной работыМосква - 2014 годОглавление1.Введение..........................................................................................................

32.Цель лабораторной работы ........................................................................... 43.Краткая характеристика объекта изучения, исследования ........................ 54.Схема и описание лабораторной .................................................................. 65.Задачи и порядок выполнения работы .......................................................

156.Содержание отчета по лабораторной работе ......237.Контрольные вопросы ................................................................................. 248.Литература .................................................................................................... 2721. Введение.Одной из важных частных задач машинного обучения является задачараспознавания объектов на изображениях. Задача состоит в определении,является ли предъявленное изображение изображением интересующего насобъекта. К задаче распознавания сводятся задачи обнаружения и локализацииобъектов: обнаружение исследуемых клеток на снимках с микроскопа, задачапоиска человеческих лиц на изображениях.

Последние исследованияпоказали эффективность обучаемых методов для решения данной задачи. Влабораторной работе рассматриваются различные методы классификации собучением по прецедентам, применяющиеся к задаче распознаванияобъектов на изображениях. Проводится сравнение, и анализ причин тех илииных показателей работы рассмотренных методов.Машинное обучение [machine learning] изучает методы построениямоделей, способных обучаться, и алгоритмы для их построения и обучения(пример алгоритмов – логистическая регрессия [logistic regression],нейронные сети [neural networks], машины опорных векторов [SVM – supportvector machines], деревья принятия решений [decisions trees]) и т.д.Классификация, регрессия являются одними из важнейших задач анализаданных. Действительно, как классификационная, так и регрессионная модельнаходят закономерности между входными и выходными переменными.

Ноесли входные и выходные переменные модели непрерывные — перед намизадача регрессии. Если выходная переменная одна и она является дискретной(метка класса), то речь идет о задаче классификации.32. Цель лабораторной работы2.1 Получить теоретические знания изучив:линейная регрессия;логистическая регрессия;байесовская классификация;.деревья решений;решающие правила;нейронные сети;метод k ближайших соседей и др.2.2. Получение практических навыков: исследование и оценка распознавания образов с применением моделилинейной регрессии; исследование и оценка распознавания образов с применением моделилогистической регрессии;43.Краткая характеристика объекта изучения, исследованияТак как курс начального уровня, то в нем будут изучены базовые длянекоторых алгоритмов математические понятия и приемы, в частности,линейная и логистическая регрессии.

Будут примнены некоторые методыоптимизации (градиентный спуск – подробно [gradient descent] , методБройдена – Флетчера – Гольдфарба – Шанно, более известный как BFGS,метод сходящихся градиентов [conjugate gradient – CG] ) и их влияние наскорость и качество обучения. Будет исследовано влияние различныхпараметров на качество и скорость обучения (скорость обучения, размервыборки для обучения, размер критерия остановки обучения, влияние L2регуляризации, нормализации ).54. Схема и описание лабораторной работыВыполнение лабораторной работы предполагает получить теоретическихзнания исследуемых методов анализа данных для их последующегоприменения.4.1 Теоретическая часть.В настоящее время для анализа данные различных природы и объемов,разработанобольшоеаналитическойколичествоплатформы,методовкотораяиалгоритмовбазируетсянанабазеследующиематематические методы:линейная регрессия;логистическая регрессия;байесовская классификация;.деревья решений;решающие правила;нейронные сети;метод k ближайших соседей и др.К базовому набору методов, которые входят в состав большинствааналитических платформ, относятся множественные регрессионные модели,деревья решений и искусственные нейронные сети.4.1.1 Методы с обучением по прецедентам.I.

Основные понятия:Это наиболее общий подход. Задача распознавания объектов наизображение сводится к задаче классификации и для неё применяетсяхорошо разработанный математический аппарат построения моделиобучения по прецедентам. Модель строиться автоматически по заранеесобранному набору прецедентов - изображений, для которых известно,являются ли они изображениями объекта или нет. Наблюдением, в данномслучае, является некоторый «вектор признаков», полученный из исходногоизображения некоторым преобразованием, отображающим изображения в6пространство действительных векторов. Гипотеза, подлежащая проверке принадлежность изображения к классу изображений искомого объекта.Таким образом, система распадается на два модуля: модуль преобразования изображения в вектор признаков модуль классификации.Задачей модуля преобразования является наиболее полное иинформативное представление изображения в виде числового вектора.Задачей модуля классификации является проверка гипотезыпринадлежности изображения классу изображений объекта на основаниинаблюдения, которым является вектор признаков.Модуль преобразования и модуль классификации тесно связаны.

Главнаяцель модуля преобразования – представить изображение в форме наиболееудобной для модуля классификации. Основные требования, предъявляемые кмодулю преобразования: скорость, наиболее полное и информативноепредставление данных, масштабируемость (преобразование корректноработает с изображением разных размеров, размерность вектора признаковне меняется).Также является желательной инвариантность модуля преобразования кдеформациям и пространственным искажениям объекта. Несмотря наважность метода преобразования, его подробное рассмотрение выходит зарамки этой работы.Пусть имеются множество объектов X, множество ответов Y , исуществует целевая функция (target function) y* : X → Y, значения которойyi = y*(xi), известны только на конечном подмножестве объектов{x1, .

. . , xℓ} ⊂ X. Пары «объект–ответ» (xi, yi) называются прецедентами.Совокупность пар Xℓ = (xi, yi)ℓi=1 называется обучающей выборкой (trainingsample).Задача обучения по прецедентам заключается в том, чтобывосстановить функциональную зависимость между объектами и ответами, то7есть построить отображение a: X → Y, удовлетворяющее следующейсовокупности требований:• Отображение a должно допускать эффективную компьютернуюреализацию –в виде алгоритмома.• Алгоритм a(x) должен воспроизводить на объектах выборки заданныеответы: a(xi) = yi, i = 1, . . .

, ℓ. Равенство здесь может пониматься какточное или как приближённое, в зависимости от конкретной задачи.• На алгоритм a(x) могут накладываться разного рода априорныеограничения, например, требования непрерывности, гладкости,монотонности, и т. д., или сочетание нескольких требований. Внекоторых случаях может задаваться модель алгоритма функциональный вид отображения a(x), определённый с точностью допараметров.• Алгоритм a должен обладать обобщающей способностью, то естьдостаточно точно приближать целевую функцию y*(x) не только наобъектах обучающей выборки, но и на всём множестве X.II. Разновидности задач обучения по прецедентамВ зависимости от природы множества Y задачи, обучения попрецедентам делятся на следующие типы:• Y = {1, .

. . ,M} - задача классификации (classification) на Mнепересекающихся классов Ky = {x ∈ X: y*(x) = y}. В некоторыхприложениях классы называют образами и говорят о задачераспознавания образов (pattern recognition).• Y = {0, 1}M - задача классификации на M пересекающихся классов. Впростейшем случае эта задача сводится к решению M независимых задачклассификации с двумя непересекающимися классами.• Y = R - задача восстановления регрессии (regression estimation).• Задача прогнозирования (forecasting) является частным случаемклассификации или восстановления регрессии, когда X - описание8прошлого поведения объекта, Y - описание некоторых характеристик егобудущего поведения.4.1.2 Линейная регрессияЗадача линейной регрессии заключается в нахождении коэффициентовуравнения линейной регрессии, которое имеет вид:y=bo + b1x1 + b2x2 + …+ bnxn (8.1) (1)где y — выходная (зависимая) переменная модели;x1, x2 …xn — входные (независимые) переменные;bi — коэффициенты линейной регрессии, называемые также параметрамимодели (b0 — свободный член).Задача линейной регрессии заключается в подборе коэффициентов bi,уравнения (1) таким образом, чтобы на заданный входной вектор X = (x1, x2…xn ) регрессионная модель формировала желаемое выходное значение y.Рис 1.1 Для каждоrо значения х значение у есть нормальнораспределенная случайная величинаСтатистическая модель простой линейной регрессии предполагает, чтодля каждого значения входной переменной х наблюдаемое значениевыходной переменной у является нормально распределенной случайнойвеличиной со средним Е(y)=bo + b1x1 и постоянной дисперсией σ2.

Данное9предположение иллюстрируется на рис. 1.1 для случаев х = 5, х = 10 их = 15, Видно, что все кривые нормального распределения имеют одну иту же форму, из чего следует, что дисперсия постоянна для всех х.Одним из наиболее востребованных приложений линейной регрессииявляется прогнозирование. В этом случае входными переменными модели х-,являются наблюдения из прошлого (предикторы), а y — прогнозируемоезначение. Несмотря на свою универсальность, линейная регрессионнаямодель не всегда пригодна для качественного предсказания зависимойпеременной. Когда для решения задачи строят модель линейной регрессии,на значения зависимой переменной обычно не налагают никакихограничений.

Характеристики

Тип файла PDF

PDF-формат наиболее широко используется для просмотра любого типа файлов на любом устройстве. В него можно сохранить документ, таблицы, презентацию, текст, чертежи, вычисления, графики и всё остальное, что можно показать на экране любого устройства. Именно его лучше всего использовать для печати.

Например, если Вам нужно распечатать чертёж из автокада, Вы сохраните чертёж на флешку, но будет ли автокад в пункте печати? А если будет, то нужная версия с нужными библиотеками? Именно для этого и нужен формат PDF - в нём точно будет показано верно вне зависимости от того, в какой программе создали PDF-файл и есть ли нужная программа для его просмотра.

Список файлов лабораторной работы