Bardziej szczegółowy opis modelu

Uczenie: LVQ1 (z automatycznie dobierana stałą uczenia) + przyciąganie prototypów do prostej.
Przyciąganie następuje raz na kilka kroków uczenia LVQ.
Prosta wyznaczana za pomocą minimalizacji indeksu QPC bądź za pomocą piewszego kirunku PCA.

Składanie projekcji: ortogonalizacja danych wejściowych względem poprzednio znalezionych kierunków

Wykresy pokazują najlepsze projekcje (dające najmniejszy błąd treningowy klasyfikacji) z posród modeli uczonych z liczbą prototypów od 2 do 20. Każdy proces uczenia LVQ był inicjalizowany 5 razy. Uczenie QPC inicjalizowane 10 razy.

QPC + LVQ
PCA + LVQ

QPC + LVQ
PCA + LVQ
QPC+LVQ, PCA+LVQ, MLP, SVM, kNN

Poprzednie wyniki

• porównanie z LVQ
• sprawdzic MLP - podejrzanie dobre wyniki dla parzystości
• <del> kNN z k=1:20 (glównie dla parzystości)</del>
• Symetria próbka 1000 dla 20 bitów