Курсовая работа, где я сравнивал алгоритмы классического обучения с алгоритмами глубокого обучения (ANN, CNN) на 3-х разных датасетах
Сравнение классических алгоритмов
CIFAR-10 | Drom.ru | Stanford cars | ||||
---|---|---|---|---|---|---|
Алгоритм | Точность | Время, сек | Точность | Время, сек | Точность | Время, сек |
SVC | 46% | 1986.03 | 24% | 361.42 | 35% | 1.06 |
RandomForestClassifier | 44% | 6296.49 | 25% | 1340.82 | 29% | 71.4 |
LogisticRegression | 29% | 557.37 | 21% | 534.2 | 22% | 12.69 |
KNeighborsClassifier | 28% | 16.5 | 21% | 3.18 | 28% | 0.11 |
SGDClassifier | 24% | 1004.74 | 20% | 1431.24 | 24% | 32.73 |
MultinomialNB | 23% | 0.51 | 16% | 0.3 | 29% | 0.05 |
Сравнение по общей эффективности (точность/время)
Классические алгоритмы | Классические + глубокие алгоритмы |
---|---|
![]() |
![]() |
Если важна точность, то предпочтительным будет использование машины опорных векторов (SVM) из классических алгоритмов обучения и сверточной нейросети (CNN) из глубоких.
Если важна скорость, то можно использовать наивный байесовский классификатор (Naive Bayes classifier) или метод k-ближайших соседей (k-nearest neighbors).
Самые популярные и самые редкие автомобили в собранном датасете
Популярные | Редкие |
---|---|
![]() |
![]() |
Производительность OpenCV и PIL
По операциям | Общая |
---|---|
![]() |
![]() |