Podręcznik

11.5 Zadania i problemy

1. Trzy klasyfikatory zastosowane do rozpoznania 2 klas dały wyniki uczenia w postaci macierzy rozbieżności klasowej $\mathbf{R1}$, $\mathbf{R2}$ i $\mathbf{R3}$ o postaci

$\mathbf{R1} =\left[\begin{array}{cc} 15 & 5 \\ 8 & 10 \end{array}\right], \mathbf{R2} =\left[\begin{array}{cc} 8 & 12 \\ 15 & 3 \end{array}\right], \mathbf{R3}=\left[\begin{array}{cc} 19 & 1 \\ 9 & 9 \end{array}\right]$

Przy testowaniu wektorem testowym $\mathbf{x}_{t1}$ poszczególne klasyfikatory wskazał następujące klasy:

1. Klasyfiktor 1 - -> klasa 2, klasyfikator 2 -> klasa 1, klasyfikator 3 -> klasa 1

Przy testowaniu wektorem testowym x_t2 poszczególne klasyfikatory wskazał następujące klasy:

2. Klasyfiktor 1 - -> klasa 1, klasyfikator 2 -> klasa 2, klasyfikator 3 -> klasa 2

Jaki będzie wynik przynależności klasowej zespołu dla obu wektorów przy integracji większościowej oraz większościowej ważonej stosującej wzór (11.10b)

$w_{k i}=\lg \left(\frac{\eta_{k i}}{1-\eta_{k i}}\right)$

2. Zastosować naiwną regułę Bayes’a do integracji zespołu zawierającego dwa klasyfikatory do rozpoznania 3 klas. Liczba obserwacji uczących jest równa n=30. Macierze rozkładu klas dla obu klasyfikatorów są dane w postaci

$\mathbf{R} 1=\left[\begin{array}{ccc} 5 & 3 & 0 \\ 1 & 6 & 2 \\ 2 & 1 & 10 \end{array}\right], \mathbf{R} 2=\left[\begin{array}{lll} 4 & 1 & 3 \\ 0 & 6 & 3 \\ 3 & 4 & 6 \end{array}\right]$

Załóżmy, że testowany wektor $\mathbf{x}_{t}$ został przypisany przez klasyfikator pierwszy do klasy drugiej, a klasyfikator drugi wskazał klasę pierwszą jako zwycięzcę.

3. Sprawdzić działanie pojedynczych sieci głębokich przy rozpoznaniu obrazów twarzy zawartych w bazie MUCT. Wykorzystać postać programu w Matlabie dla sieci przetrenowanych. Porównać czasy uczenia sieci.

4. Sprawdzić działanie zespołu różnych sieci głębokich przy rozpoznaniu obrazów twarzy zawartych w bazie MUCT. Wykorzystać postać programu w Matlabie dla sieci przetrenowanych. Porównać wyniki dla różnej liczby użytych członków zespołu.

5. Sprawdzić działanie zespołu sieci głębokich utworzonych na bazie jednej struktury sieciowej przy rozpoznaniu obrazów twarzy zawartych w bazie MUCT. Wykorzystać postać programu w Matlabie dla sieci przetrenowanych. Porównać wyniki dla różnej liczby użytych członków zespołu.