بهبود اثر بخشی کاهش ویژگی علایم رانندگی، در مدل احتمالی بیز با توجه به توابع توزیع احتمال پارامتریک و غیر پارامتریک

کاهش ویژگی و کلاس بندی داده ها به صورت دسته ای از نمونه های انتخاب شده، از جذاب ترین کاربردهای نرم افزاری یادگیری ماشین است. کاهش ویژگی به معنای رسیدن به ویژگی های کمتر با اثربخشی بیشتر در مدل یادگیری می باشد. از آنجایی که اثر بخشی مدل بیز در پژوهش های متعددی نشان داده شده است، هدف ما در این پژوهش بررسی اثربخشی ویژگی های کمتر در بهبود این فرضیه در یادگیری می باشد. بنابراین بواسطه آنکه مدل یادگیری بیز پیشنهادی برای تابع توزیع احتمال بهینه ندارد، هر دو رویکرد پارامتری و غیرپارامتری در بیان توابع توزیع احتمال آن استفاده شده اند. در کاهش ویژگی نیز دو رویکرد عمده انتخاب و استخراج ویژگی مطرح می باشد. بنابراین در این پژوهش اثربخشی هر دو رویکرد، مورد مطالعه قرار گرفته اند. نتایج حاصل از پیاده سازی انجام شده، در پایگاه داده GTSRB بیانگر افزایش دقت شناسایی علایم رانندگی با ویژگی های کمتر در مدل احتمالی بیز است.

کلیدواژه ها:

مدل احتمالی بیز ، یادگیری ماشین ، تشخیص علایم رانندگی ، کاهش ویژگی ، توابع توزیع احتمال