|
|
|
|
\section{Πως το έκαναν άλλοι}
|
|
|
|
|
|
|
|
|
|
Υπάρχει πληθώρα βιβλιογραφίας σχετική με το θέμα. Έχουν βρεθεί ήδη
|
|
|
|
|
αρκετές λύσεις, ενώ οι πιο πρόσφατες πετυχαίνουν αξιοσημείωτα
|
|
|
|
|
αποτελέσματα τόσο όσων αφορά την ταχύτητα του διαχωρισμού όσο και την
|
|
|
|
|
ακρίβεια των αποτελεσμάτων.
|
|
|
|
|
|
|
|
|
|
Πιθανές αναφορές:
|
|
|
|
|
\begin{itemize}[noitemsep]
|
|
|
|
|
\item ποιά μοντέλα (δέντρα, πιθανοτικά, neural...) είναι
|
|
|
|
|
αποτελεσματικότερα με βάση τη βιβλιογραφία; Νομίζω ανάλογα με το
|
|
|
|
|
paper υπάρχουν διαφορετικά αποτελέσματα σχετικά με αυτό (άλλα
|
|
|
|
|
προτείνουν μπαγεσιανά και άλλα νευρωνικά) άρα παίζει ρόλο η επιλογή
|
|
|
|
|
των features και στο μοντέλο, να το πούμε αυτό.. Πχ κάποια features
|
|
|
|
|
έχουν μεγάλο correlation -> τα naive bayes δε τη παλεύουν σε αυτά…
|
|
|
|
|
|
|
|
|
|
\item ποια features χρησιμοποιούνται; Τι σημαίνει το καθένα και πως
|
|
|
|
|
υπολογίζεται; Πόσο ακριβά είναι υπολογιστικά το καθένα;
|
|
|
|
|
|
|
|
|
|
\item ποια είναι η γενικότερη πορεία που ακολουθείται;\\
|
|
|
|
|
συνήθως:
|
|
|
|
|
|
|
|
|
|
\begin{enumerate}[noitemsep]
|
|
|
|
|
\item παραθυροποίηση (τι τύπου; είναι επικαλυπτόμενα τα παράθυρα;
|
|
|
|
|
πόσα sec είναι το καθένα;)
|
|
|
|
|
\item feature extraction
|
|
|
|
|
\item μετασχηματισμός του χώρου (βλέπε PCA και άλλες μεθόδους)
|
|
|
|
|
\item training
|
|
|
|
|
\item πρόβλεψη
|
|
|
|
|
\end{enumerate}
|
|
|
|
|
|
|
|
|
|
\item Άρα κατά τον σχεδιασμό πρέπει εκτός από τη μέθοδο της
|
|
|
|
|
παραθυροποίησης, τα features και το μοντέλο να επιλεχθούν επίσης
|
|
|
|
|
κάποιος μετασχηματισμός (δεν το κάνουν πάντα) ή και άλλες
|
|
|
|
|
παράμετροι. Τι άλλο preprocessing χρειάζεται;
|
|
|
|
|
|
|
|
|
|
\end{itemize}
|
|
|
|
|
|
|
|
|
|
Σύμφωνα με το paper ~\cite{cuckoo} το back propagation neural network πέτυχε
|
|
|
|
|
ακρίβεια 89.08\%, ενώ το SVM πέτυχε 90.12\% και η δική τους υλοποίηση
|
|
|
|
|
SVM (με τον αλγόριθμο cuckoo), CS-SVM, πέτυχε 92.75\%.
|
