КРИТЕРІЇ ЯКОСТІ МЕТОДІВ РОЗПІЗНАВАННЯ

КОЛЕКТИВИ ВИРІШАЛЬНИХ|ухвальних| ПРАВИЛ

Закінчуючи огляд методів розпізнавання образів, зупинимося ще на одному підході. Це так звані колективи вирішальних правил.

Оскільки|тому що| різні алгоритми розпізнавання проявляють|виявляють| себе по-різному на одній і тій же вибірці об'єктів, то закономірно встає питання про синтетичне вирішальне|ухвальне| правило, що адаптивний використовує сильні сторони цих алгоритмів. У синтетичному вирішальному|ухвальному| правилі застосовується дворівнева схема розпізнавання. На першому рівні працюють приватні алгоритми розпізнавання, результати яких об'єднуються на другому рівні в блоці синтезу. Найбільш поширені способи такого об'єднання засновані на виділенні областей компетентності того або іншого приватного алгоритму. Простий спосіб знаходження областей компетентності полягає в апріорному розбитті простору|простір-час| ознак виходячи з професійних міркувань|тями| конкретної науки (наприклад, розшарування вибірки за деякою ознакою). Тоді для кожної з виділених областей будується власний алгоритм, що розпізнає. Інший спосіб базується на вживанні|застосуванні| формального аналізу для визначення локальних областей простору|простір-час| ознак як околиць розпізнаваних об'єктів, для яких доведена успішність роботи якого-небудь приватного алгоритму розпізнавання.

Найзагальніший підхід до побудови блоку синтезу розглядає результуючі показники приватних алгоритмів як вихідні ознаки для побудови нового узагальненого вирішального правила. В цьому випадку можуть використовуватися всі перераховані вище методи интенсионального і экстенсионального напрямів в розпізнаванні образів. Ефективними для вирішення задачі створення колективу вирішальних правил є логічні алгоритми типа “Кора” і алгоритми обчислення оцінок (АВО), покладені в основу так званого підходу алгебри, що забезпечує дослідження і конструктивний опис алгоритмів розпізнавання, в рамки якого укладаються всі існуючі типи алгоритмів [46].

Приведені характеристики різних методів розпізнавання образів були б неповними без обговорення питання про критерії якостіалгоритмів і про способи оцінки цих критеріїв. Показниками якості зазвичай є або власне помилка класифікації, або пов'язані з нею деякі функції втрат. При цьому розрізняють умовну вірогідність помилкової класифікації, очікувану помилку алгоритму класифікації на вибірці заданого об'єму і асимптотичну очікувану помилку класифікації. Функції втрат також розділяють на функцію середніх втрат, функцію очікуваних втрат і емпіричну функцію середніх втрат.

Для оцінки вибраного показника якості того або іншого алгоритму розпізнавання образів застосовується три основні експериментальні способи.

Вибірка використовується одночасно як повчальна і контрольна;

Вибірка розбивається на дві частини|частки| - повчальну і контрольну;

Перший спосіб дає завищенуоцінку якості розпізнавання в порівнянні з тією ж оцінкою якості по незалежних від навчання даним. Другий спосіб є найпростішим і переконливішим. Їм широко користуються, якщо експериментальних даних вистачає. В той же час третій спосіб, званий також методом ковзаючого іспиту є найбільш переважним, оскільки дає меншу дисперсію оцінки вірогідності помилки. Проте цей метод є і самим трудомістким, оскільки вимагає багатократної побудови правила розпізнавання.

Стосовно розглянутих методів розпізнавання образів ця трудомісткість найбільш істотна для багатьох методів интенсионального напряму, для яких необхідно на кожному кроці ковзаючого іспиту проводити корекцію використовуваних характеристик ознак і їх зв'язків (наприклад, середніх значень і коваріацій). Але для экстенсиональных методів, що оперують об'єктами, досить просто не включати контрольний об'єкт в досліджуване правило розпізнавання. Тому дані методи (до-найближчих сусідів, АВО) як би пристосовані для реалізації методу ковзаючого іспиту, який дозволяє уникати марнотратного поводження з експериментальним матеріалом і одночасно отримувати найбільш ефективні оцінки якості алгоритмів, що розпізнають.

Вживання|застосування| экстенсиональных| методів не зв'язане яким-небудь припущеннями про структуру експериментальної інформації крім того, що усередині|всередині| розпізнаваних класів повинні існувати одна або декілька груп чимось схожих об'єктів, а об'єкти різних класів повинні чимось відрізнятися один від одного. Вочевидь|очевидно| при будь-якій кінцевій|скінченній| розмірності навчальної вибірки (а інший вона бути і не може) ця вимога виконується завжди просто з тієї причини, що існують випадкові відмінності між об'єктами. Як заходи схожості застосовуються різні заходи близькості (відстані) об'єктів в просторі|простір-час| ознак. Тому ефективне використання экстенсиональных| методів розпізнавання образів|зображень| залежить від того, наскільки вдало визначені вказані заходи близькості, а також від того, які об'єкти навчальної вибірки (об'єкти з|із| відомою класифікацією) виконують роль діагностичних прецедентів. Успішне вирішення даних завдань|задач| дає результат, що наближається до теоретично досяжних меж ефективності розпізнавання.

На думку авторів, само по собі це не є проблемою, проте сприймається як проблема (наприклад, в методі до-найближчих сусідів) з тієї причини, що при розпізнаванні кожного об'єкту відбувається повний перебір всіх об'єктів навчальної вибірки.

Теоретичні проблеми вживання|застосування| экстенсиональных| методів розпізнавання пов'язані з проблемами пошуку інформативних груп ознак, знаходження оптимальних метрик для виміру|вимірювання| схожості і відмінності об'єктів і аналізу структури експериментальної інформації. В той же час успішне вирішення перерахованих проблем дозволяє не лише|не тільки| конструювати|сконструйовувати| ефективні алгоритми, що розпізнають, але і здійснювати перехід від экстенсионального| знання емпіричних фактів до интенсиональному| знання про закономірності їх структури.

Перехід від экстенсионального| знання до интенсиональному| відбувається|походить| на тій стадії, коли формальний алгоритм розпізнавання вже сконструйований і продемонстрував свою ефективність. Тоді проводиться винавчання механізмів, за рахунок яких досягається отримана|одержувати| ефективність. Таке винавчання, пов'язане з аналізом геометричної структури даних, може, наприклад, привести до виводу|висновку|, що досить замінити об'єкти, що представляють|уявляють| той або інший діагностичний клас, одним типовим представником (прототипом). Це еквівалентно, як наголошувалося вище, завданню|задаванню| традиційної лінійної діагностичної шкали. Також можливо, що кожен діагностичний клас досить замінити декількома об'єктами, осмисленими як типові представники деяких підкласів, що еквівалентно побудові|шикуванню| віяла лінійних шкал. Можливі і інші варіанти, які будуть розглянуті|розглядувати| нижчим.

Читайте також:

<== попередня сторінка	\|	наступна сторінка ==>
МЕТОД ПОРІВНЯННЯ З\|із\| ПРОТОТИПОМ	\|	АНАЛІЗ ПЕРСПЕКТИВНИХ НАПРЯМІВ\|направлень\| РОЗВИТКУ МЕТОДІВ РОЗПІЗНАВАННЯ

Не знайшли потрібну інформацію? Скористайтесь пошуком google:

Генерація сторінки за: 0.006 сек.