| ဗားရှင်း | 2.0 |
|---|---|
| ထုတ်ဝေသူ | Luigi Rosa |
| ဖြန့်ချိသည့်ရက် | ၂၀၁၂၊ နို ၆ |
| ရက်စွဲထပ်ထည့်သည် | ၂၀၁၂၊ နို ၆ |
| Os လိုအပ်ချက်များ | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| လိုအပ်ချက်များ | Matlab |
| စုစုပေါင်း downloads | ၆၅၉ |
| စျေးနှုန်း | Free |
ဖော်ပြချက်
လူ့မျက်နှာသည် လူတို့ကြားတွင် လိုက်လျောညီထွေရှိသော လူမှုဆက်ဆံရေးအတွက် သတင်းအချက်အလက်များစွာ ပါရှိသည်။ အမှန်မှာ၊ လူတစ်ဦးချင်းစီသည် ကျား၊ မ၊ လူမျိုး၊ အသက် ကဲ့သို့သော အခြားသော လူဦးရေဆိုင်ရာ ဝိသေသလက္ခဏာများနှင့်အတူ ၎င်းကို ၎င်း၏ အမှတ်အသားဖြင့် အမျိုးအစားခွဲရန် နည်းလမ်းအမျိုးမျိုးဖြင့် လုပ်ဆောင်နိုင်သည်။ အထူးသဖြင့်၊ လူတွေဟာ လိင်အလိုက် ကွဲပြားစွာ တုံ့ပြန်တဲ့အတွက် လူသားတွေရဲ့ လိင်ကို အသိအမှတ်ပြုဖို့က အရေးကြီးတယ်။ ထို့အပြင်၊ အောင်မြင်သော ကျား-မ အမျိုးအစား ခွဲခြားခြင်းနည်းလမ်းသည် လူတစ်ဦး အသိအမှတ်ပြုမှုနှင့် စမတ်ကျသော လူသား-ကွန်ပြူတာကြားခံများ အပါအဝင် အခြားသော အပလီကေးရှင်းများစွာ၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးနိုင်ပါသည်။
ကျွန်ုပ်တို့သည် AdaBoost အယ်လဂိုရီသမ်ကို အခြေခံ၍ ကျား၊မ အသိအမှတ်ပြုခြင်းအတွက် အယ်လဂိုရီသမ်တစ်ခုကို တီထွင်ထားပါသည်။ ပေးထားသည့် သင်ယူမှု အယ်လဂိုရီသမ်၏ တိကျမှုကို မြှင့်တင်ရန် မြှင့်တင်ခြင်းကို အဆိုပြုထားသည်။ Boosting တွင် ယေဘုယျအားဖြင့် လေ့ကျင့်မှုသတ်မှတ်ထားသော စွမ်းဆောင်ရည်ထက် ပိုကြီးသော တိကျသေချာမှုရှိသော အမျိုးအစားခွဲခြားမှုကို ဖန်တီးပေးကာ လေ့ကျင့်ရေးအစုတွင် မထင်သလို မြင့်မားတိကျမှုရှိသည့် အစုအဝေးတစ်ခုအဖြစ် အစိတ်အပိုင်းအမျိုးအစားခွဲထွက်ခြင်းအသစ်များကို ပေါင်းထည့်ပါသည်။ ထိုသို့သောအခြေအနေမျိုးတွင်၊ အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ကို "မြှင့်တင်ထားသည်" ဟုဆိုသည်။ ခြုံငုံသုံးသပ်ချက်တွင်၊ နည်းပညာသည် လက်ရှိအစိတ်အပိုင်းအမျိုးအစားခွဲခြားသတ်မှတ်ပေးသည့် "အသိအသာဆုံး" ဖြစ်သည့် လေ့ကျင့်ရေးဒေတာတစ်ခုလုံး၏ အပိုင်းခွဲတစ်ခုဖြင့် အစိတ်အပိုင်း ခွဲခြားသတ်မှတ်သူများကို လေ့ကျင့်ပေးသည်။ AdaBoost (Adaptive Boosting) သည် သင်ယူမှုမြှင့်တင်ခြင်း၏ ပုံမှန်ဥပမာတစ်ခုဖြစ်သည်။ AdaBoost တွင်၊ လေ့ကျင့်ရေးပုံစံတစ်ခုစီကို အစိတ်အပိုင်းတစ်ခုချင်းစီအလိုက် အမျိုးအစားခွဲခွဲခြားခြင်းအတွက် ရွေးချယ်ခံရနိုင်ခြေကို ဆုံးဖြတ်သည့် အလေးချိန်တစ်ခုစီကို သတ်မှတ်ပေးထားသည်။ ယေဘူယျအားဖြင့်၊ တစ်ဦးသည် လေ့ကျင့်ရေးဆိုင်ရာ သတ်မှတ်ထားသော အလေးများကို ယူနီဖောင်းဖြစ်အောင် အစပြုသည်။ သင်ယူမှုလုပ်ငန်းစဉ်တွင်၊ လေ့ကျင့်ရေးပုံစံကို တိကျစွာ ခွဲခြားထားလျှင် နောက်ဆက်တွဲ အစိတ်အပိုင်း အမျိုးအစားခွဲခြားမှုတွင် ထပ်မံအသုံးပြုရန် အခွင့်အလမ်း လျော့နည်းသွားပါသည်။ ဆန့်ကျင်ဘက်အားဖြင့်၊ ပုံစံကို တိကျစွာ ခွဲခြားမထားပါက၊ ၎င်းကို ထပ်မံအသုံးပြုရန် အခွင့်အလမ်း တိုးလာပါသည်။
ကုဒ်ကို Stanford Medical Student Face Database ဖြင့် စမ်းသပ်ပြီး 89.61% (အမျိုးသမီး ရုပ်ပုံ ၂၀၀ နှင့် အမျိုးသားရုပ်ပုံ ၂၀၀၊ လေ့ကျင့်ရေးအတွက် အသုံးပြုသည့် ၉၀% နှင့် စမ်းသပ်ရန် ၁၀% အသုံးပြုထားသည်၊ ထို့ကြောင့် လေ့ကျင့်ရေးပုံ ၃၆၀ နှင့် စမ်းသပ်ပုံ ၄၀ ရှိသည် စုစုပေါင်း ကျပန်းရွေးချယ်ထားပြီး လေ့ကျင့်ရေးနှင့် စမ်းသပ်ပုံများကြား ထပ်နေခြင်းမရှိပါ)။
အညွှန်းစည်းမျဥ်းစည်းကမ်းများ- Matlab၊ အရင်းအမြစ်၊ ကုဒ်၊ ကျား၊ မ၊ အသိအမှတ်ပြုမှု၊ အထောက်အထား၊ adaboost၊ အမျိုးသား၊ အမျိုးသမီး။
