learning24 Linear Classification (구현) 경사 하강법(Gradient Descent)를 이용하여 선형 분류 문제를 해결 레이블이 $1$, $0$인 두 개의 클래스에 대한 분류문제에서 샘플이 특정 클래스에 속할 확률을 추정하는 지도학습의 한 가지 (Binary case) 선형회귀 모델과 같이 입력 특성의 가중치의 합(편향 포함) ${\beta}^{\rm T} x = \beta_0+\beta_1 x_1+\cdots +\beta_nx_n$을 계산한 다음 시그모이드 함수(sigmoid) $\sigma(t)=\dfrac{1}{1+\exp(-t)}$를 취한 값 $\sigma({\beta}^{\rm T} x)$를 ${\rm P}(Y=1|X=x)$에 대한 추정값 $\hat p(x)$로 추정하는 모델.즉, 모델 파라미터 ${\beta}=(\beta_0,\cdo.. 2024. 6. 11. Linear Regression (구현) 1. 회귀 계수 결정법 (Direct Solution)선형회귀에서 주로 사용하는 Mean Squared Error(MSE) 손실 함수를 사용하면 아래로 볼록한(Convex) 형태의 손실함수를 가짐$$ \begin{aligned} &\\ L(\beta) & = \left\|\hat{y}-y \right\|_{2}^{2}\\ & = \left\|\beta X-y \right\|_{2}^{2}\\ & = (\beta X-y)^{\rm T}(\beta X-y)\\ & = \beta^{\rm T}X^{\rm T}X\beta-\beta^{\rm T}X^{\rm T}y-y^{\rm T}X\beta+y^{\rm T}y \\ \end{aligned}$$ 아래로 볼록한(Convex) 형태의 손실함수의 최소값은 미분이 0이.. 2024. 6. 11. Feature Extract : CV [2D 이미지 데이터를 활용한 이미지 분류] (6) 0. Overview(1) 목적본 프로젝트를 통해 2D 이미지 데이터를 Handcrafted Feature로 기술하는 법을 알 수 있다.(2) 데이터셋Caltech101 데이터 셋101종류 영상 데이터 + 백그라운드 영상 데이터 (102번째 종류로 간주)한 종류당 40장~800장까지 영상이 모아져 있음 - 데이터셋 공식 링크리더보드에서 제공되는 가공된 데이터 셋학습과 테스트 데이터로 제공되는 image_xxxx.csv 는 기존 2D 형태인 RGB영상([256,256,3] uint8)을([HxWxChannel,1] = [196608, 1],uint64)의 형태로 가공하여 제공한다.학습 데이터 : 102개 클래스 X 각 30장 이미지 = 총 3060장의 이미지테스트 데이터 : 1712장의 이미지 (3) D.. 2024. 6. 10. Feature Extract : Speech [영어 음성 국제 분류] (5) 1. 학습 및 제출에 사용할 csv 파일 불러오기DATA_PATH = 'english_voice_classification'pd_train = pd.read_csv('train.csv')pd_test = pd.read_csv('test.csv')print(pd_train.info(), pd_test.info()) 2. 데이터 불러오기 및 Handcrafted-Feature 추출import librosaimport glob, pickleimport numpy as npfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_scoreimport matplotlib.pyplot as pltimport lib.. 2024. 6. 10. 이전 1 2 3 4 5 6 다음
