Compiti ed esercitazioni VERIFICATO

Statistical Learning and Neural Network lab

Politecnico di Torino ict for smart societies (ict per la società del futuro) 2020
122 visualizzazioni
11 download
Nessun voto ancora
Condividi: WhatsApp Telegram
Anteprima pagina 1 — Statistical Learning and Neural Network lab Anteprima pagina 2 — Statistical Learning and Neural Network lab Anteprima pagina 3 — Statistical Learning and Neural Network lab

Stai vedendo l'anteprima delle prime pagine. Il file completo è gratis: registrati per leggerlo tutto.

Di cosa parla

  • Il primo laboratorio illustra l'implementazione di un classificatore k-NN su dataset sintetici e reali, evidenziando come valori di k bassi causino overfitting con accuratezza al 100% sul training set ma bassa sul test set, mentre valori elevati portano a underfitting.
  • Nell'esercizio sulla localizzazione utente tramite RSSI, il classificatore k-NN gestisce dati multidimensionali derivanti da array tridimensionali di segnali wireless, calcolando la probabilità posteriore per determinare la cella in cui si trova l'utente.
  • Il secondo laboratorio applica modelli gaussiani multivariati a dataset demografici e utilizza un classificatore Naive Bayes con modello di Bernoulli su dati testuali, dimostrando che l'approssimazione dell'indipendenza condizionale delle feature semplifica il calcolo della probabilità posteriore.
  • Vengono analizzate le curve ROC per valutare le prestazioni del classificatore variando la soglia decisionale e si confrontano diversi approcci discriminativi gaussiani, tra cui LDA e QDA, mostrando che l'LDA offre una velocità computazionale superiore a scapito di una leggera perdita di accuratezza.
  • Il terzo laboratorio introduce l'analisi delle componenti principali (PCA) per ridurre la dimensionalità di immagini multispettrali, calcolando gli autovalori e autovettori della matrice di covarianza per ricostruire i dati con un errore quadratico medio che diminuisce all'aumentare del numero di componenti.
  • Infine, il quarto laboratorio descrive la progettazione di un filtro di Kalman basato su un modello a velocità costante per tracciare la posizione e la velocità di un oggetto, combinando stime predittive con aggiornamenti bayesiani sequenziali in presenza di rumore di osservazione gaussiano.

Questo appunto è gratis. Registrati in 30 secondi per leggere tutte le pagine e scaricarlo.

Altri appunti di Statistical learning and neural networks

Condividi questi appunti

WhatsApp Telegram