پروژه پایتون(13524)+

شرح پروژه

با استفاده از مدلهای ساده چند متغیره گاوسی و همچنین مدلهای مخلوط گوسی یک مسئله ساده طبقه بندی باینری (کلاس A در مقابل کلاس B) را حل کنید. فرض کنید دو کلاس احتمال قبلی (prior) برابر دارند. هر ویژگی مشاهده ای یک بردار سه بعدی است. برای ساخت چنین طبقه بندی بر اساس مجموعه آموزش ارائه شده از چندین روش مختلف استفاده کرده و سپس مدلهای تخمینی بر روی مجموعه آزمون ارائه شده را ارزیابی کنید. تمامی روش ها می بایست بدون استفاده از کتابخانه های آماده و از ابتدا با پایتون پیاده سازی شوند.

با استفاده از مدل های چند متغیره گوسی یک طبقه بندی ساده بسازید. هر کلاس توسط یک توزیع سه بعدی گاوسی مدل سازی می شود. برای ماتریس کوواریانس باید ساختارهای زیر را در نظر بگیرید:
• هر گوسی از ماتریس کوواریانس قطری استفاده می کند.
• هر گوسی از ماتریس کوواریانس کامل استفاده می کند.

از داده های آموزش ارائه شده برای برآورد میانگین وکتور و ماتریس کوواریانس گوسی برای هر کلاس بر اساس MLE استفاده کنید. دقت طبقه بندی مدلهای آموزش دیده با MLE را طبق اندازه گیری مجموعه آزمون برای هر انتخاب ماتریس کوواریانس گزارش دهید

یا استفاده از GMM برای مدل سازی هر کلاس ، طبقه بندی گوسی را از مرحله قبل بهبود بخشید. شما باید از روش خوشه بندی k-means استفاده کنید تا تمام پارامترها را در GMM مقدار دهی اولیه کنید و سپس GMM ها را بر اساس الگوریتم EM بهبود ببخشید. GMM هایی را که به ترتیب دارای 2 ، 4 ، 8 یا 16 جز G گوسی هستند. بهترین پیکربندی مدل را از نظر تعداد م Gلفه های گاوسی و ساختار ماتریس کوواریانس (قطری در مقابل کامل) برای این مجموعه داده تعیین کنید.

GMM = Gaussian Mixture Model (مدل مخلوط گوسی)

EM = Expectation Maximization \

inam dataset hast

kheili sade hast datasetesh

ba zaboone python mikham

baraye yekshanbe shab nahayatan 2shanbe sob

dirtar az 2shanbe sob nashe lotfan agar emkanesh hast

این پروژه شامل 1 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.

مهارت ها و تخصص های مورد نیاز

درباره کارفرما

Hamyarprozhe

عضویت سیزده سال پیش

55842 پروژه ثبت شده ،

27 پروژه در حال انجام ،

144 پروژه آماده دریافت پیشنهاد ،

نرخ پذیرش پیشنهاد 16%