Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

패턴인식과 기계학습-패턴인식기개발

패턴인식과 기계학습-패턴인식기개발

Related Books

Free with a 30 day trial from Scribd

See all

Related Audiobooks

Free with a 30 day trial from Scribd

See all
  • Be the first to comment

패턴인식과 기계학습-패턴인식기개발

  1. 1. 패턴인식과 기계학습 -패턴인식기 개발- 2018-0815 도정찬
  2. 2. 복습
  3. 3. 복습
  4. 4. 복습
  5. 5. 복습
  6. 6. 복습
  7. 7. 1. 2차원 데이터의 분류
  8. 8. 1. 2차원 데이터의 분류 데이터의 생성 모집단의 확률분포 정의 랜덤 데이터 추출 두 클래스 𝐶1, 𝐶2에 대하여 가우시안 분포 를 따르는 확률분포 정의
  9. 9. 1. 2차원 데이터의 분류 데이터의 생성 p(x 𝐶1 ~ 𝐺(𝜇1,∑1), p(x 𝐶2 ~ 𝐺(𝜇2,∑2) 𝜇1 = 3 5 , ∑1 = 1 1 1 2 , 𝜇2 = 5 3 , ∑2 = 1 1 1 2 클래스 𝐶1, 𝐶2에 대한 분포 식 matlab 코드 가우시안 분포를 따르는 두 클래스로 이루어진 데이터 집합
  10. 10. 1. 2차원 데이터의 분류 데이터의 학습(분석) 학습 및 시험 데이터 준비 데이터 분포 특성 분석 결정경계 찾기
  11. 11. 1. 2차원 데이터의 분류 데이터의 학습(분석) 학습 및 시험 데이터 준비 데이터 분포 특성 분석 결정경계 찾기
  12. 12. 1. 2차원 데이터의 분류 데이터의 학습(분석) 학습 및 시험 데이터 준비 데이터 분포 특성 분석 결정경계 찾기 학습
  13. 13. 1. 2차원 데이터의 분류 데이터의 학습(분석) 학습 및 시험 데이터 준비 데이터 분포 특성 분석 결정경계 찾기간단한 통계 계산 복잡한 결정경계 학습 방법 학습
  14. 14. 1. 2차원 데이터의 분류 데이터의 학습(분석) 학습 평균, 공분산 계산
  15. 15. 1. 2차원 데이터의 분류 데이터의 학습(분석) 𝑚1= 2.7566 4.7419 , 𝑆1 = 1.3883 1.8897 1.8897 3.5530 𝑚2= 4.7313 2.8251 , 𝑆2 = 0.8770 0.6369 0.6369 0.9920 데이터 행렬의 평균과 공분산 행렬 matlab 코드학습데이터로 추정된 평균(𝑚1, 𝑚2)와 실평균(𝜇1, 𝜇2)
  16. 16. 1. 2차원 데이터의 분류 데이터의 분류 : 결정경계의 설정 𝑚1= 2.7566 4.7419 , 𝑆1 = 1.3883 1.8897 1.8897 3.5530 𝑚2= 4.7313 2.8251 , 𝑆2 = 0.8770 0.6369 0.6369 0.9920 데이터 행렬의 평균과 공분산 행렬 평균을 이용하여 간단한 결정경계를 찾을 수 있다
  17. 17. 1. 2차원 데이터의 분류 데이터의 분류 : 결정경계의 설정 학습데이터로 추정된 평균(𝑚1, 𝑚2)와 실평균(𝜇1, 𝜇2)
  18. 18. 1. 2차원 데이터의 분류 데이터의 분류 : 결정경계의 설정 𝒙 𝒏𝒆𝒘
  19. 19. 1. 2차원 데이터의 분류 데이터의 분류 : 결정경계의 설정 두 점 𝒙 𝟏, 𝒙 𝟐 간의 거리 =>d(𝒙 𝟏, 𝒙 𝟐) d(𝒎 𝟏, 𝒙 𝒏𝒆𝒘) d(𝒎 𝟐, 𝒙 𝒏𝒆𝒘)
  20. 20. 1. 2차원 데이터의 분류 데이터의 분류 : 결정경계의 설정 두 점 𝒙 𝟏, 𝒙 𝟐 간의 거리 =>d(𝒙 𝟏, 𝒙 𝟐) d(𝒎 𝟏, 𝒙 𝒏𝒆𝒘) d(𝒎 𝟐, 𝒙 𝒏𝒆𝒘) d(𝒎 𝟏, 𝒙 𝒏𝒆𝒘) < d(𝒎 𝟐, 𝒙 𝒏𝒆𝒘) 𝒙 𝒏𝒆𝒘는 𝒎 𝟏에 더 가깝다 𝒙 𝒏𝒆𝒘는 𝑪 𝟏으로 분류
  21. 21. 1. 2차원 데이터의 분류 데이터의 분류 : 결정경계의 설정 두 점 𝒙 𝟏, 𝒙 𝟐 간의 거리 =>d(𝒙 𝟏, 𝒙 𝟐) d(𝒎 𝟏, 𝒙 𝒏𝒆𝒘) d(𝒎 𝟐, 𝒙 𝒏𝒆𝒘) 결정경계 함수 g(x)=0 g(x) = d(𝒙 , 𝒎 𝟐)-d(𝒙 , 𝒎 𝟏) = 0 y(x) = 𝟏 𝒊𝒇 𝒈 𝒙 > 𝟎 −𝟏 𝒊𝒇 𝒈 𝒙 < 𝟎
  22. 22. 1. 2차원 데이터의 분류 데이터의 분류 : 결정경계의 설정 결정경계 함수 g(x)=0 g(x) = d(𝒙 , 𝒎 𝟐)-d(𝒙 , 𝒎 𝟏) = 0 y(x) = 𝟏 𝒊𝒇 𝒈 𝒙 > 𝟎 −𝟏 𝒊𝒇 𝒈 𝒙 < 𝟎 유클리디안 거리의 제곱 g(x) = d(𝒙 , 𝒎 𝟐)-d(𝒙 , 𝒎 𝟏) = 𝒙 − 𝒎 𝟏 𝑻 𝒙 − 𝒎 𝟏 - 𝒙 − 𝒎 𝟐 𝑻 𝒙 − 𝒎 𝟐 = -2 𝒎 𝟏− 𝒎 𝟐 𝑻 𝒙 + 𝒎 𝟏 𝑻 𝒎 𝟏 - 𝒎 𝟐 𝑻
  23. 23. 1. 2차원 데이터의 분류 데이터의 분류 : 결정경계의 설정 g(x)=0
  24. 24. 1. 2차원 데이터의 분류 데이터의 분류 : 결정경계의 설정 g(x)=0 판별함수 y(x) = 𝟏 𝒊𝒇 𝒈 𝒙 > 𝟎 −𝟏 𝒊𝒇 𝒈 𝒙 < 𝟎 결정경계 g(𝒙 𝒏𝒆𝒘)> 0 y(𝒙 𝒏𝒆𝒘) = 1 𝒙 𝒏𝒆𝒘는 𝑪 𝟏에 해당한다
  25. 25. 1. 2차원 데이터의 분류 성능 평가 학습 및 시험 데이터 준비 데이터 학습 (분포 특성 분석) 데이터 분류 (결정경계 찾기) 성능 평가
  26. 26. 1. 2차원 데이터의 분류 성능 평가 학습 및 시험 데이터 준비 데이터 학습 (분포 특성 분석) 데이터 분류 (결정경계 찾기) 성능 평가 분류 오차로 성능 개선
  27. 27. 1. 2차원 데이터의 분류 성능 평가 1. 데이터 1000개 데이터 생성
  28. 28. 1. 2차원 데이터의 분류 성능 평가 2. 데이터 학습
  29. 29. 1. 2차원 데이터의 분류 성능 평가 3. 성능 평가 => 오차율 = 4.1%
  30. 30. 2. 숫자 데이터의 분류
  31. 31. 2. 숫자 데이터의 분류 데이터 수집과 전처리
  32. 32. 2. 숫자 데이터의 분류 데이터 수집과 전처리
  33. 33. 2. 숫자 데이터의 분류 데이터 수집과 전처리 전 처 리 크기 정규화, 이진화
  34. 34. 2. 숫자 데이터의 분류 데이터 수집과 전처리 전처리된 데이터 수집 전처리된 데이터
  35. 35. 2. 숫자 데이터의 분류 데이터 수집과 전처리 2차원 영상 데이터가 벡터 형태로 직렬화
  36. 36. 2. 숫자 데이터의 분류 데이터 수집과 전처리 2차원 데이터가 벡터형태로 변환 . . .
  37. 37. 2. 숫자 데이터의 분류 데이터 학습과 결정 경계 학습 된 평균영상 데이터
  38. 38. 2. 숫자 데이터의 분류 분류 및 성능평가  학습 오차 : 2% 테스트 오차 : 15%
  39. 39. 감사합니다

×