Название: Прогноз погодных условий по изображению
Члены команды: Берк ГЮЛАЙ, Самет КАЛКАН, Мерт СЮРУЧЮОГЛУ
Электронные письма соответственно: [email protected], [email protected], [email protected]
У нас примерно 6500 данных. Каждые данные состоят из матрицы изображения со значениями RGB, и мы разделили их на данные обучения и проверки с соотношением% 25.
Я построил так много архитектур CNN и попробовал их, чтобы получить наилучшие результаты. Я тренировал изображения с разными размерами, такими как 20x20, 50x50 и 100x100. Помимо общей точности данных проверки, я также напечатал точность каждого класса отдельно. Для этого я разделил данные проверки на 5 частей, которые представляют классы. Ниже приведены некоторые испытания архитектуры сети:
Последний - лучший среди 20 испытаний.
Данные каждого поезда обучаются примерно за 10 минут. Но последний занял 30 минут. Потому что его размер 100x100x3. Поскольку существует так много вариантов, я не мог попробовать все. Считаю это хорошим результатом для нас.
Пока я использую метод CNN, мои товарищи по группе пытались извлечь функции из изображения, чтобы использовать SVM и DT. Самая сложная проблема для нас - извлечь фичу. Мы по-прежнему пытаемся извлечь объект, потому что при его извлечении мы сталкиваемся с множеством ошибок. Но пока мы получили некоторые результаты.
Результаты дерева решений:
И результат для Random Forest
Итак, поскольку существует так много вариантов, нам нужно больше времени, чтобы попробовать другие варианты.
Надеюсь, на следующей неделе мы закончим проект и получим хорошие результаты по всем методам машинного обучения.
