Stáhnout prezentaci
Prezentace se nahrává, počkejte prosím
ZveřejnilRůžena Štěpánková
1
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
2
© Institut biostatistiky a analýz III. P Ř ÍZNAKOVÁ KLASIFIKACE - ÚVOD
3
© Institut biostatistiky a analýz P Ř ÍZNAKOVÝ POPIS Příznakový obraz x zpracovávaných dat je vyjádřen n-rozměrným (sloupcovým) vektorem hodnot x i, i=1,2,…,n příznakových proměnných (veličin) charakterizujících vlastnosti těchto dat, tj. platí x=(x 1,x 2,…,x n ) T.
4
© Institut biostatistiky a analýz P Ř ÍZNAKOVÝ POPIS Příznakové proměnné mohou popisovat kvantitativní i kvalitativní vlastnosti souboru dat. Jejich hodnoty nazýváme příznaky. Podle definičního oboru rozlišujeme proměnné: spojité nespojité, diskrétní, vyjmenovatelné logické, binární, alternativní, dichotomické
5
© Institut biostatistiky a analýz Vrchol každého příznakového vektoru (obrazu) představuje bod n-rozměrného prostoru X n, který nazýváme obrazovým prostorem. Obrazový prostor je definován kartézským součinem definičních oborů všech příznakovým proměnných, tzn. že jej tvoří všechny možné obrazy zpracovávaného souboru dat. P Ř ÍZNAKOVÝ POPIS
6
© Institut biostatistiky a analýz Při vhodném výběru příznakových veličin je podobnost signálů jedné klasifikační třídy vyjádřena blízkostí jejich obrazů v obrazovém prostoru. Vymezení klasifikační třídy: etalony - charakteristické reprezentativní obrazy hranice diskriminační funkce P Ř ÍZNAKOVÝ POPIS
7
© Institut biostatistiky a analýz Příznakový klasifikátor je stroj s tolika vstupy, kolik je příznaků a s jedním diskrétním výstupem, který udává třídu, do které klasifikátor zařadil rozpoznávaný obraz. ω r = d(x) d(x) je skalární funkce vektorového argumentu x, kterou nazýváme rozhodovací pravidlo klasifikátoru; ω r je identifikátor klasifikační třídy P Ř ÍZNAKOVÝ KLASIFIKÁTOR
8
© Institut biostatistiky a analýz deterministický a nedeterministický s pevným a proměnným počtem příznaků bez učení a s učením P Ř ÍZNAKOVÝ KLASIFIKÁTOR
9
© Institut biostatistiky a analýz deterministický a nedeterministický s pevným a proměnným počtem příznaků bez učení a s učením Nadále se nějaký čas věnujme deterministickým klasifikátorům s pevným počtem příznaků. P Ř ÍZNAKOVÝ KLASIFIKÁTOR
10
© Institut biostatistiky a analýz Obrazový prostor je rozhodovacím pravidlem rozdělen na R disjunktních prostorů R r, r=1,…,R, přičemž každá podmnožina R r obsahuje ty obrazy x, pro které je ω r = d(x). Návrh rozhodovacího pravidla je základním problémem návrhu klasifikátoru. P Ř ÍZNAKOVÝ KLASIFIKÁTOR
11
© Institut biostatistiky a analýz DISKRIMINAČNÍ ANALÝZA týká se obecně vztahu mezi kategoriální proměnnou a množinou vzájemně vázaných příznakových proměnných. Konkrétně, předpokládejme že existuje konečný počet, řekněme R, různých a priori známých populací, kategorií, tříd nebo skupin, které označujeme ω r, r=1,…,R a úkolem diskriminační analýzy je nalézt vztah, na základě kterého pro daný vektor příznaků popisujících konkrétní objekt tomuto vektoru přiřadíme hodnotu ω r. KLASIFIKACE PODLE DISKRIMINAČNÍCH FUNKCÍ
12
© Institut biostatistiky a analýz KLASIFIKACE PODLE DISKRIMINAČNÍCH FUNKCÍ hranice klasifikačních tříd definujeme pomocí R skalárních funkcí g 1 (x), g 2 (x),…, g R (x) takových, že pro obraz x z podmnožiny R r pro všechna r platí g r (x) > g s (x), pro s =1,2,…,R a r ≠ s funkce g r (x) mohou vyjadřovat např. míru výskytu obrazu x patřícího do r-té klasifikační třídy v daném místě obrazového prostoru – nazýváme je diskriminační funkce
13
© Institut biostatistiky a analýz hranice mezi dvěma sousedními podmnožinami R r a R s je určena průmětem průsečíku funkcí g r (x) a g s (x), definovaného rovnicí g r (x) = g s (x), do obrazového prostoru. KLASIFIKACE PODLE DISKRIMINAČNÍCH FUNKCÍ
14
© Institut biostatistiky a analýz BLOKOVÉ SCHÉMA KLASIFIKÁTORU POMOCÍ DISKRIMINAČNÍCH FUNKCÍ
15
© Institut biostatistiky a analýz BLOKOVÉ SCHÉMA KLASIFIKÁTORU POMOCÍ DISKRIMINAČNÍCH FUNKCÍ u dichotomického klasifikátoru (dvě třídy) je ω = sign (g 1 (x) – g 2 (x))
16
© Institut biostatistiky a analýz KLASIFIKACE PODLE DISKRIMINAČNÍCH FUNKCÍ nejjednodušším tvarem diskriminační funkce je funkce lineární, která má tvar g r (x) = a r0 + a r1 x 1 + a r2 x 2 +…+ a rn x n kde a r0 je práh diskriminační funkce posouvající počátek souřadného systému a a ri jsou váhové koeficienty i-tého příznaku x i lineárně separabilní třídy
17
© Institut biostatistiky a analýz KLASIFIKACE PODLE DISKRIMINAČNÍCH FUNKCÍ nejjednodušším tvarem diskriminační funkce je funkce lineární, která má tvar g r (x) = a r0 + a r1 x 1 + a r2 x 2 +…+ a rn x n kde a r0 je práh diskriminační funkce posouvající počátek souřadného systému a a ri jsou váhové koeficienty i-tého příznaku x i lineárně separabilní třídy
18
© Institut biostatistiky a analýz KLASIFIKACE PODLE DISKRIMINAČNÍCH FUNKCÍ nejjednodušším tvarem diskriminační funkce je funkce lineární, která má tvar g r (x) = a r0 + a r1 x 1 + a r2 x 2 +…+ a rn x n kde a r0 je práh diskriminační funkce posouvající počátek souřadného systému a a ri jsou váhové koeficienty i-tého příznaku x i lineárně separabilní třídy
19
© Institut biostatistiky a analýz KLASIFIKACE PODLE DISKRIMINAČNÍCH FUNKCÍ nejjednodušším tvarem diskriminační funkce je funkce lineární, která má tvar g r (x) = a r0 + a r1 x 1 + a r2 x 2 +…+ a rn x n kde a r0 je práh diskriminační funkce posouvající počátek souřadného systému a a ri jsou váhové koeficienty i-tého příznaku x i lineárně separabilní třídy
20
© Institut biostatistiky a analýz KLASIFIKACE PODLE DISKRIMINAČNÍCH FUNKCÍ zobrazíme původní n-rozměrný obrazový prostor X n nelineární transformací Φ: X n → X m do nového m-rozměrného prostoru X m, obecně je m≠n, tak, aby v novém prostoru byly klasifikační třídy lineárně separabilní a v novém prostoru použijeme lineární klasifikátor (Φ převodník) LINEÁRNĚ NESEPARABILNÍ TŘÍDY zachováme původní obrazový prostor a zvolíme nelineární diskriminační funkci definovanou obecně složenou po částech z lineárních úseků
21
© Institut biostatistiky a analýz KLASIFIKACE PODLE MINIMÁLNÍ VZDÁLENOSTI reprezentativní obrazy klasifikačních tříd - etalony je-li v obrazovém prostoru zadáno R poloh etalonů vektory x 1E, x 2E,…, x RE, zařadí klasifikátor podle minimální vzdálenosti klasifikovaný obraz x do té třídy, jejíž etalon má od bodu x minimální vzdálenost. Rozhodovací pravidlo je určeno vztahem
22
© Institut biostatistiky a analýz KLASIFIKACE PODLE MINIMÁLNÍ VZDÁLENOSTI uvažme případ dvou tříd reprezentovaných etalony x 1E = (x 11E, x 12E ) a x 2E = (x 21E, x 22E ) ve dvoupříznakovém euklidovském prostoru; vzdálenost mezi obrazem x = (x 1,x 2 ) a libovolným z obou etalonů je pak definována hledáme menší z obou vzdáleností, tj. min s=1,2 v(x sE,x), ale také min s=1,2 v 2 (x sE,x);
23
© Institut biostatistiky a analýz KLASIFIKACE PODLE MINIMÁLNÍ VZDÁLENOSTI
24
© Institut biostatistiky a analýz KLASIFIKACE PODLE MINIMÁLNÍ VZDÁLENOSTI diskriminační kuželové plochy se protínají v parabole a její průmět do obrazové roviny je přímka definovaná vztahem x 1 (x 11E - x 21E ) + x 2 (x 12E - x 22E ) - (x 2 12E + x 2 11E - x 2 21E - x 2 22E )/2 = 0 Tato hraniční přímka mezi klasifikačními třídami je vždy kolmá na spojnici obou etalonů a tuto spojnici půlí klasifikátor pracující na základě kritéria minimální vzdálenosti je ekvivalentní lineárnímu klasifikátoru s diskriminačními funkcemi.
25
© Institut biostatistiky a analýz KLASIFIKACE PODLE MINIMÁLNÍ VZDÁLENOSTI Klasifikace podle minimální vzdálenosti s třídami reprezentovanými více etalony je ekvivalentní klasifikaci podle diskriminační funkce s po částech lineární hraniční plochou
Podobné prezentace
© 2024 SlidePlayer.cz Inc.
All rights reserved.