Uczenie: LVQ1 (z automatycznie dobierana stałą uczenia) + QPC
Po znalezieniu najlepszej reprezentacji danych za pomocą LVQ prototypy sa rzutowane na prostą maksymalizującą indeks QPC (centrami klastrów sa prototypy z LVQ)
Składanie projekcji: ortogonalizacja danych wejściowych względem poprzednio znalezionych kieronków
Wykresy pokazują najlepsze projekcje (dające najmniejszy błąd treningowy klasyfikacji) z posród modeli uczonych
z liczbą prototypów od 2 do 20.
Każdy proces uczenia LVQ był inicjalizowany 5 razy. Uczenie QPC inicjalizowane 10 razy.
| projections 4, k=19, acc 91.51 |
 |
| projection 1 with k=15, acc 86.38 |
 |
| projections 4 with k=12, acc 96.78 |
 |
| projections 2 with k=19, acc 87.60 |
 |
| projections 3 with k=20, acc 62.15 |
 |
| projections 4 with k=15, acc 84.81 |
 |
| projection 1 with k=11, acc 98.00 |
 |
| projections 2 with k=15, acc 74.73 |
 |
| projections 2 with k=14, acc 93.55 |
 |
| projection 1 with k=16, acc 84.62 |
 |
| 1 with k=15, acc 84.43 |
 |
| projection 1 with k=8, acc 65.72 |
 |
| projection 1 with k=16, acc 67.19 |
 |
| projection 1 with k=19, acc 61.65 |
 |
| projections 2 with k=5, acc 89.00 |
 |
| projections 2 with k=18, acc 100 |
 |
