Specifiche Contest Classificazione di tipi di vetro

L’obiettivo della tesina è la classificazione di tipi diversi di vetro attraverso rete neurale LVQ.

Le classi considerate nel problema (i tipi di vetro) sono:

      -- 1 building_windows_float_processed

      -- 2 building_windows_non_float_processed

      -- 3 vehicle_windows_float_processed

      -- 4 vehicle_windows_non_float_processed (non presente nel DB fornito)

      -- 5 containers

      -- 6 tableware

      -- 7 headlamps

Le Features considerate sono:

   1. RI: refractive index

   2. Na: Sodium

   3. Mg: Magnesium

   4. Al: Aluminum

   5. Si: Silicon

   6. K: Potassium

   7. Ca: Calcium

   8. Ba: Barium

   9. Fe: Iron

Passi da seguire:

·      Il file TS_TTS.txt, contenente i vettori delle features per il training set e training test set. Nel totale sono 182 campioni. Il Test Set, che ovviamente non avete, è costituito da 43 campioni (circa il 25%).

·      A partire dal file TS_TTS,

o   Dividere i dati in training set e training test set

o   Utilizzando ToolDiag effettuare una selezione delle features ottime

§  Scegliere la strategia di selezione e il metodo di ottimizzazione

• Addestramento della rete LVQ con il software “rete neurale lvq”




• A partire dalla lista delle features selezionate da tooldiag estrapolare le colonne interessate (con excel cancellando le colonne non buone e accorpando le altre, oppure usando gli script del tooldiag)


• Potete utilizzare la tecnica della k-fold cross validation

• Al termine dell’addestramento della rete dovete produrre i seguenti file:

o   il file foobaz.bes (o foobaz.pro) che contiene i prototipi della rete neurale da voi ritenuta migliore a classificare il problema

o   la lista delle features selezionate da tooldiag (oppure il file di maschera ottenibile con gli script del tooldiag)

Una volta nella mia vita ho avuto due donne.
Poi ho cambiato tre carte e ho fatto full.