Лабораторная работа по предмету Анализ данных (Классификация)
Для данной работы мною был выбран Dataset MNIST. Задача состоит в распознавании рукописных цифр.
Он состоит из 42000 объектов, 784 признаков.
Каждый объект представляет собой изображение цифры 28x28.
Каждый признак представляет собой определенный пиксель изображения, хранящий значение от 0-255, 0 - черный цвет, 255 - белый.
Классы представляют собой цифры, 0-9.
Для данной задачи я решил выбрать метрику F1 с макро усреднением, так как данная метрика определяет, насколько точно и полно были классифицированы объекты, что достаточно полно оценивает качество данной задачи.
- Количество соседей: 3
- L-метрика: эвклидова (2)
- Весовая функция, используемая в прогнозировании: distance
- Ядро: rbf
- Штраф параметра C ошибки: 10
- Gamma: 0.05
- Критерий: entropy
- Максимальная глубина: 256
- Минимальное разделение: 5
- Эпохи: 15
- Batch size: 128
- Alpha: 0
- Fit prior: False
Для данной задачи лучшей моделью являются сверточные нейронные сети, так как данная модель показала, лучший результат предсказаний на тестовой и тренировочной выборке, и для некоторых классов почти полное отсутствие ошибок первого или второго рода