| संस्करण | 2.0 |
|---|---|
| प्रकाशक | Luigi Rosa |
| जारी मिति | २०१२ नोभेम्बर ६ |
| मिति थपियो | २०१२ नोभेम्बर ६ |
| ओएस आवश्यकताहरू | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| आवश्यकताहरु | Matlab |
| कुल डाउनलोड | ६५९ |
| मूल्य | Free |
वर्णन
मानव अनुहारले मानिसहरू बीचको अनुकूलन सामाजिक अन्तरक्रियाको लागि विभिन्न जानकारी समावेश गर्दछ। वास्तवमा, व्यक्तिहरूले अनुहारलाई यसको पहिचानद्वारा वर्गीकृत गर्न विभिन्न तरिकाहरूमा प्रशोधन गर्न सक्षम छन्, साथै अन्य जनसांख्यिकीय विशेषताहरू, जस्तै लिङ्ग, जाति र उमेर। विशेष गरी, मानव लिङ्ग पहिचान महत्त्वपूर्ण छ किनभने मानिसहरूले लिङ्ग अनुसार फरक प्रतिक्रिया दिन्छन्। थप रूपमा, एक सफल लिङ्ग वर्गीकरण दृष्टिकोणले व्यक्ति पहिचान र स्मार्ट मानव-कम्प्यूटर इन्टरफेसहरू सहित अन्य धेरै अनुप्रयोगहरूको प्रदर्शनलाई बढावा दिन सक्छ।
हामीले AdaBoost एल्गोरिथ्ममा आधारित लिङ्ग पहिचानको लागि एउटा एल्गोरिदम विकास गरेका छौं। कुनै पनि सिकाइ एल्गोरिदमको शुद्धता सुधार गर्न बुस्टिङ प्रस्ताव गरिएको छ। बूस्टिङमा एकले सामान्यतया औसत प्रदर्शन भन्दा बढी प्रशिक्षण सेटमा सटीकताको साथ एक वर्गीकरणकर्ता सिर्जना गर्दछ, र त्यसपछि नयाँ कम्पोनेन्ट क्लासिफायरहरू थप्छ जसको संयुक्त निर्णय नियमले प्रशिक्षण सेटमा स्वेच्छाचारी रूपमा उच्च शुद्धता छ। यस्तो अवस्थामा, हामी भन्छौं कि वर्गीकरण प्रदर्शन "बढाव" भएको छ। सिंहावलोकनमा, प्राविधिकले क्रमिक कम्पोनेन्ट क्लासिफायरहरूलाई सम्पूर्ण प्रशिक्षण डेटाको एक उपसेटको साथ तालिम दिन्छ जुन कम्पोनेन्ट क्लासिफायरहरूको हालको सेटलाई "सबै जानकारीमूलक" हो। AdaBoost (अनुकूलन बूस्टिङ) बुस्टिङ सिक्ने को एक विशिष्ट उदाहरण हो। AdaBoost मा, प्रत्येक प्रशिक्षण ढाँचालाई एक वजन तोकिएको छ जसले केही व्यक्तिगत घटक वर्गीकरणकर्ताको लागि चयन हुने सम्भावना निर्धारण गर्दछ। सामान्यतया, एकले तालिम भरी तौलहरू एकरूप हुन सेट गर्दछ। सिकाइ प्रक्रियामा, यदि तालिम ढाँचालाई सही रूपमा वर्गीकृत गरिएको छ भने, त्यसपछिको कम्पोनेन्ट वर्गीकरणमा पुन: प्रयोग हुने सम्भावना कम हुन्छ; यसको विपरित, यदि ढाँचालाई सही रूपमा वर्गीकृत गरिएको छैन भने, फेरि प्रयोग हुने सम्भावना बढ्छ।
कोडको परीक्षण स्ट्यानफोर्ड मेडिकल स्टुडेन्ट फेस डाटाबेसले ८९.६१% (२०० महिला तस्बिरहरू र २०० पुरुष छविहरू, ९०% तालिमका लागि र १०% परीक्षणका लागि प्रयोग गरिएको, यसकारण त्यहाँ ३६० प्रशिक्षण छविहरू र ४० परीक्षण छविहरू छन्। कुल अनियमित रूपमा चयन गरिएको छ र प्रशिक्षण र परीक्षण छविहरू बीच कुनै ओभरल्याप अवस्थित छैन)।
अनुक्रमणिका सर्तहरू: Matlab, स्रोत, कोड, लिङ्ग, मान्यता, पहिचान, adaboost, पुरुष, महिला।
