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.