| பதிப்பு | 2.0 |
|---|---|
| பதிப்பகத்தார் | Luigi Rosa |
| வெளிவரும் தேதி | 6 நவ., 2012 |
| தேதி சேர்க்கப்பட்டது | 6 நவ., 2012 |
| OS தேவைகள் | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| தேவைகள் | Matlab |
| மொத்த பதிவிறக்கங்கள் | 659 |
| விலை | Free |
விளக்கம்
மனித முகம் மக்களிடையே தகவமைப்பு சமூக தொடர்புகளுக்கான பல்வேறு தகவல்களைக் கொண்டுள்ளது. உண்மையில், தனிநபர்கள், பாலினம், இனம் மற்றும் வயது போன்ற பல மக்கள்தொகைப் பண்புகளுடன் சேர்ந்து, அதன் அடையாளத்தின் மூலம் அதை வகைப்படுத்த பல்வேறு வழிகளில் முகத்தை செயலாக்க முடியும். குறிப்பாக, மனித பாலினத்தை அங்கீகரிப்பது முக்கியம், ஏனெனில் மக்கள் பாலினத்திற்கு ஏற்ப வித்தியாசமாக பதிலளிப்பார்கள். கூடுதலாக, வெற்றிகரமான பாலின வகைப்பாடு அணுகுமுறையானது நபர் அங்கீகாரம் மற்றும் ஸ்மார்ட் மனித-கணினி இடைமுகங்கள் உட்பட பல பயன்பாடுகளின் செயல்திறனை அதிகரிக்க முடியும்.
AdaBoost அல்காரிதம் அடிப்படையில் பாலின அங்கீகாரத்திற்கான அல்காரிதத்தை உருவாக்கியுள்ளோம். கொடுக்கப்பட்ட கற்றல் அல்காரிதத்தின் துல்லியத்தை மேம்படுத்த பூஸ்டிங் முன்மொழியப்பட்டது. பூஸ்டிங்கில் ஒருவர் பொதுவாக சராசரி செயல்திறனைக் காட்டிலும் அதிகமான பயிற்சித் தொகுப்பில் துல்லியமான வகைப்படுத்தியை உருவாக்குகிறார், பின்னர் புதிய கூறு வகைப்படுத்திகளைச் சேர்த்து ஒரு குழுமத்தை உருவாக்குகிறார், அதன் கூட்டு முடிவு விதியானது பயிற்சித் தொகுப்பில் தன்னிச்சையாக அதிக துல்லியத்தைக் கொண்டுள்ளது. அத்தகைய சூழ்நிலையில், வகைப்பாடு செயல்திறன் "உயர்த்தப்பட்டது" என்று நாங்கள் கூறுகிறோம். மேலோட்டத்தில், தற்போதைய கூறு வகைப்படுத்திகளின் தொகுப்பைக் கொண்டு "மிகவும் தகவலறிந்த" முழு பயிற்சித் தரவின் துணைக்குழுவுடன் தொடர்ச்சியான கூறு வகைப்படுத்திகளை நுட்பம் பயிற்றுவிக்கிறது. அடாபூஸ்ட் (அடாப்டிவ் பூஸ்டிங்) என்பது கற்றலை அதிகரிப்பதற்கான ஒரு பொதுவான நிகழ்வாகும். AdaBoost இல், ஒவ்வொரு பயிற்சி முறைக்கும் ஒரு எடை ஒதுக்கப்பட்டுள்ளது, இது சில தனிப்பட்ட கூறு வகைப்படுத்திக்குத் தேர்ந்தெடுக்கப்படுவதற்கான நிகழ்தகவை தீர்மானிக்கிறது. பொதுவாக, ஒருவர் பயிற்சித் தொகுப்பில் உள்ள எடைகளை ஒரே மாதிரியாகத் தொடங்குகிறார். கற்றல் செயல்பாட்டில், ஒரு பயிற்சி முறை துல்லியமாக வகைப்படுத்தப்பட்டிருந்தால், அதன் அடுத்த கூறு வகைப்படுத்தியில் மீண்டும் பயன்படுத்தப்படுவதற்கான வாய்ப்பு குறைகிறது; மாறாக, முறை துல்லியமாக வகைப்படுத்தப்படவில்லை என்றால், அது மீண்டும் பயன்படுத்தப்படுவதற்கான வாய்ப்பு அதிகரிக்கிறது.
ஸ்டான்போர்ட் மெடிக்கல் ஸ்டூடண்ட் ஃபேஸ் டேட்டாபேஸ் மூலம் 89.61% (200 பெண் படங்கள் மற்றும் 200 ஆண் படங்கள், 90% பயிற்சிக்காகவும், 10% சோதனைக்காகவும் பயன்படுத்தப்படுகின்றன, எனவே 360 பயிற்சிப் படங்கள் மற்றும் 40 சோதனைப் படங்கள் உள்ளன. மொத்தத்தில் தோராயமாகத் தேர்ந்தெடுக்கப்பட்டது மற்றும் பயிற்சி மற்றும் சோதனைப் படங்களுக்கு இடையே ஒன்றுடன் ஒன்று இல்லை).
குறியீட்டு விதிமுறைகள்: Matlab, மூல, குறியீடு, பாலினம், அங்கீகாரம், அடையாளம், adaboost, ஆண், பெண்.
