Con l’aumento di complessità di un classificatore, é lecito aspettarsi un miglioramento della performance dello stesso. Tuttavia, il guadagno marginale in termini di performance potrebbe, in determinate situazioni, non giustificare l’incremento di parametri del sistema. Inoltre in taluni casi, come ad esempio in presenza di dataset sparsi e con un numero ridotto di esempi, un sistema più complesso potrebbe avere più difficoltà a generalizzare rispetto ad un sistema più semplice. In questa tesi abbiamo confrontato lo stato dell’arte per la classificazione multi-label con una serie di modelli di machine learning/deep learning piú semplici. I sistemi sono stati allenati su dataset di dimensione variabile, con l’obiettivo di quantificare la relazione tra le metriche di performance e i suddetti parametri.
Ottimizzazione di un'Architettura Neurale per Classificazioni Multi-Label
PIAZZA, MATTIA
2021/2022
Abstract
Con l’aumento di complessità di un classificatore, é lecito aspettarsi un miglioramento della performance dello stesso. Tuttavia, il guadagno marginale in termini di performance potrebbe, in determinate situazioni, non giustificare l’incremento di parametri del sistema. Inoltre in taluni casi, come ad esempio in presenza di dataset sparsi e con un numero ridotto di esempi, un sistema più complesso potrebbe avere più difficoltà a generalizzare rispetto ad un sistema più semplice. In questa tesi abbiamo confrontato lo stato dell’arte per la classificazione multi-label con una serie di modelli di machine learning/deep learning piú semplici. I sistemi sono stati allenati su dataset di dimensione variabile, con l’obiettivo di quantificare la relazione tra le metriche di performance e i suddetti parametri.File | Dimensione | Formato | |
---|---|---|---|
Piazza_Mattia.pdf
accesso aperto
Dimensione
1.52 MB
Formato
Adobe PDF
|
1.52 MB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/32238