Laurent HEUTTE

Reconnaissance de Formes 2

Travaux Pratiques


Objectifs

Programmer les méthodes de classification statistique vues en cours (estimation de gaussiennes, séparation linéaire, MLP), évaluer leur performance sur des jeux de données test, comparer les méthodes, ...

Evaluation

Rapport présentant l'implémentation algorithmique des méthodes, les résultats obtenus ainsi qu'une petite discussion autour des résultats...

Données de travail

On dispose pour 3 problèmes de classification à 5 classes {a,b,c,d,e} dans RxR de 100 échantillons par classe pour l'apprentissage (data_tp{1,2,3}.app) et 100 échantillons par classe pour le test (data_tp{1,2,3}.dec) des classifieurs (data.zip).
On peut visualiser la répartition de ces échantillons (data_tp{1,2,3}_{app,dec}.gif).

Estimation de gaussiennes

Programmer un classifieur par distance euclidienne minimum. Le tester sur les 3 jeux de données. Evaluer ses performances (taux de bonne classification en Top1 et Top2, matrice de confusion). Conclusion.
Programmer un classifieur par distance de Mahalanobis minimum. Le tester sur les 3 jeux de données. Evaluer ses performances (taux de bonne classification en Top1 et Top2, matrice de confusion). Conclusion.
Comparer les performances des deux classifieurs notamment en dissociant l'analyse sur les 3 jeux de données. Conclusion.

Séparation linéaire

Programmer l'algorithme d'apprentissage du perceptron vu en cours. On étudiera en particulier 2 façons de séparer les classes: Afficher le résultat de ces 2 apprentissages. Que constatez-vous sur les différents jeux de données?
Tester ces 2 classifieurs sur les 3 jeux de données. Evaluer leurs performances (taux de bonne classification en Top1 et Top2, matrice de confusion). Conclusion.

Perceptron multi-couches

A finir...

Synthèse

Comparer les performances obtenues (temps de calcul, taux de bonne classification, matrice de confusion,...) par chacune des méthodes sur les 3 jeux de données. Conclusion.

Return to my Home Page
Last updated: May 2008