В качестве обучающей выборки рассматриваются 500 объектов 1-го класса и 500 объектов 2-го класса. Каждый объект обучающей выборки характеризуется 2-мя признаками.
1-й и 2-й признаки объектов первого класса представляют собой реализации дискретных равномерно распределенных случайных величин, которые могут принимать целые значения от 1 до 100 и от 1 до 50 соответственно;1-й и 2-й признаки объектов второго класса - реализации дискретных равномерно распределенных случайных величин, которые могут принимать целые значения от 1 до 100 и от 51 до 100 соответственно.
Таким образом, объекты 1-го и 2-го классов представляют собой точки с целочисленными координатами в квадрате 100×100. Часть из этих точек (≈1000) задана в качестве обучающей выборки. Про остальные точки (≈9000) информация отсутствует - их нужно классифицировать.
При выполнении работы требуется:
1. Сгенерировать признаки объектов обучающей выборки с помощью стандартных функций matlab, запомнить их (например, сохранить в файл) и изобразить на координатной плоскости. На этой же координатной плоскости изобразить истинную разделяющую поверхность классов.
2. Реализовать в matlab метод парзеновского окна, предусмотрев возможность изменения количества соседей, весов объектов, метрики.
3. Используя метод контроля качества алгоритма и обучающую выборку (п.1) контроль на случайной подвыборке (для генерации контрольной и обучающей выборки использовать бутстреп), определить наилучший набор параметров алгоритма классификации: количество соседей/ширину окна, веса объектов, метрику (см. в п.2).
4. С помощью (настроенного) алгоритма классифицировать все объекты, которые не вошли в обучающую выборку (≈9000 шт.). Результаты классификации изобразить графически.
Гарантия на работу | 1 год |
Средний балл | 4.96 |
Стоимость | Назначаете сами |
Эксперт | Выбираете сами |
Уникальность работы | от 70% |