چکیده مقاله
تشخیص ارقام دست نویس یکی از وظایف کلیدی در حوزه بینایی ماشین و یادگیری ماشین است که کاربردهایی در شناسایی نوری کاراکترها، اتوماسیون پستی و پردازش اسناد دارد این مطالعه سه طبقه بند کلاسیک یادگیری ماشین K نزدیک ترین همسایه KNN ، ماشین بردار پشتیبان SVM و رگرسیون لجستیک را بر روی مجموعه داده MNIST ارزیابی می کند این مجموعه شامل ۷۰,۰۰۰ تصویر خاکستری از ارقام دست نویس با ابعاد ۲۸×۲۸ پیکسل است داده ها با تبدیل تصاویر به بردارهای ۷۸۴ بعدی پیش پردازش شدند مدل ها روی ۶۰,۰۰۰ نمونه آموزشی و ۱۰,۰۰۰ نمونه آزمایشی ارزیابی شدند نتایج نشان داد که SVM با دقت آزمایشی ۹۷ ۹۲٪ بهترین عملکرد را دارد، پس از آن KNN با ۹۶ ۸۸٪ و رگرسیون لجستیک با ۹۲ ۵۵٪ قرار گرفتند زمان آموزش SVM ۵۳۷ ۲۳ ثانیه به طور قابل توجهی طولانی تر از KNN ۰ ثانیه و رگرسیون لجستیک ۸ ۲۴ ثانیه بود این مطالعه تعادل بین دقت، کارایی محاسباتی و پیچیدگی مدل را بررسی کرده و با استناد به مقالات معتبر از سال ۲۰۲۲ به بعد، زمینه های بهینه سازی اخیر را تحلیل می کند
کلیدواژهها
نویسندگان
متین نهاوندی
دانش آموز دبیرستان دوره اول استعدادهای درخشان علامه امینی تبریز
شیوه ارجاع
نهاوندی، متین،1404،تحلیل مقایسه ای طبقه بندهای یادگیری ماشین بر روی مجموعه داده MNIST،دومین کنفرانس ملی عصر انفجار تکنولوژی؛ هوش مصنوعی، تحولی در صنعت، تجارت و زنجیره تامین،تبریز
ارائهشده در
مجموعه مقالات دومین کنفرانس ملی عصر انفجار تکنولوژی؛ هوش مصنوعی، تحولی در صنعت، تجارت و زنجیره تامین17 مهر 1404 · تبریز