سامانه همایش ها

صفحه اصلی / دومین کنفرانس ملی عصر انفجار تکنولوژی؛ هوش مصنوعی، تحولی در صنعت، تجارت و زنجیره تامین و دومین کنفرانس ملی علم داده در کاربردهای مهندسی

تحلیل مقایسه‌ای طبقه‌بندهای یادگیری ماشین بر روی مجموعه داده MNIST

نویسندگان :

متین نهاوندی¹

1- دانشگاه تبریز

کلمات کلیدی :

MNIST،KNN،SVM،رگرسیون لجستیک،تشخیص ارقام دست‌نویس،یادگیری ماشین

چکیده :

تشخیص ارقام دست‌نویس یکی از وظایف کلیدی در حوزه بینایی ماشین و یادگیری ماشین است که کاربردهایی در شناسایی نوری کاراکترها، اتوماسیون پستی و پردازش اسناد دارد. این مطالعه سه طبقه‌بند کلاسیک یادگیری ماشینK- نزدیک‌ترین همسایه (KNN)، ماشین بردار پشتیبان (SVM) و رگرسیون لجستیک—را بر روی مجموعه داده MNIST ارزیابی می‌کند. این مجموعه شامل 70,000 تصویر خاکستری از ارقام دست‌نویس با ابعاد 28×28 پیکسل است. داده‌ها با تبدیل تصاویر به بردارهای 784 بعدی پیش‌پردازش شدند. مدل‌ها روی 60,000 نمونه آموزشی و 10,000 نمونه آزمایشی ارزیابی شدند. نتایج نشان داد که SVM با دقت آزمایشی 97.92% بهترین عملکرد را دارد، پس از آن KNN با 96.88% و رگرسیون لجستیک با 92.55% قرار گرفتند. زمان آموزش SVM (537.23 ثانیه) به‌طور قابل‌توجهی طولانی‌تر از KNN (0.007 ثانیه) و رگرسیون لجستیک (8.24 ثانیه) بود. این مطالعه تعادل بین دقت، کارایی محاسباتی و پیچیدگی مدل را بررسی کرده و با استناد به مقالات معتبر از سال 2022 به بعد، زمینه‌های بهینه‌سازی اخیر را تحلیل می‌کند.