Funktionell PCA mot Artificiella Neuronnät
Typ
Examensarbete för kandidatexamen
Program
Publicerad
2021
Författare
Nordh, Freja
Hallberg, Mattis
Mollahosseini, Shayan
Sandberg, Jack
Jansson, Erik
Gard, Philip
Modellbyggare
Tidskriftstitel
ISSN
Volymtitel
Utgivare
Sammanfattning
Denna rapport fokuserar på jämförelsen av några olika klassificeringsmetoder applicerade
på bilddatan Fashion-MNIST. De olika metoderna är artificiella neurala nätverk och funktionell
principalkomponentanalys och principalkomponentanalys. För de neurala nätverken har vi två
typer: CNN och FNN. Den förstnämnda är specialiserad på just bilder medan den sistnämnda
kan appliceras på olika typer av dataset fast har nackdelen med försämrad noggrannhet. Funktionell
principalkomponentanalys eller FPCA är en utvidgning av principalkomponentanalys
(PCA) som innebär studiet av dimensionreducering av högdimensionell data. FPCA uttrycker
data i form av funktioner vilket möjliggör ytterligare dimensionsreducering om funktionerna
effektivt representerar datan. Parametrar i majoriteten av metoderna bestäms med hjälp av
korsvalidering. Korsvalidering tillämpas för att en modell inte ska bli partiskt mot en viss
del av datan och vi kan på så vis kan dra rättvisa slutsatser. Resultaten ger att de neurala
nätverken, speciellt CNN, är bäst med en noggrannhet över nittio procent. Däremot presterar
FPCA och PCA också bra då de har en noggrannhet omkring åttio procent.
Nyckelord: Artificiella neuronnät, bildigenkänning, Fashion-MNIST, funktionell principalkomponentanalys,
klassificering, korsvalidering, neurala faltningsnät, principalkomponentanalys,
splines.