Wyniki 1-2 spośród 2 dla zapytania: authorDesc:"Dominik OLSZEWSKI"

Employing Probabilistic Dissimilarity for Feature Discovery in a Game of Chess

Czytaj za darmo! »

We present the feature discovery technique based on the use of the probabilistic dissimilarity, i.e., a measure of dissimilarity between two probability distributions. The solutions in the field of feature discovery, generally, fall into feature extraction and feature selection methods. Both of these groups form the feature subset on the basis of the initial feature set. Also, both of the groups use the numeric representations of features, what often can be misleading, since the different physical meaning of different features can be lost, when they are all treated only as numbers. The approach we propose does not require the initial feature set. Moreover, it does not require the numeric representation of the features. Instead, we propose using only one numeric, decimal quantity allowing for effective feature discovery. We demonstrate that taking advantage of the probabilistic dissimilarity during the feature retrieval phase can benefit by discovering relevant features. We show the way to create a probabilistic model of the analyzed data set, required for the use of the proposed technique. Finally, we report the experimental results of application of the feature discovery method introduced in this paper to the game of chess. Streszczenie. Przedstawiamy technik˛e odkrywania cech wykorzystuj a˛ca ˛ pseudood´ ´ległosc probabilistyczn a˛, be˛d a˛ca ˛ miara ˛ po´dobienstwa pomie˛dzy dwoma rozkładami prawdopo´dobienstwa. Rozwi a˛zania zaproponowane w dziedzinie odkrywania cech mo´g a˛ byc w o´gólnosci podzielone na metody ekstrakcji i selekcji cech. Obie te grupy metod formuj a˛ podzbiór cech na podstawie pocza ˛tkowego zbioru cech. Obie te grupy wykorzystuj a˛ r˙ówniez reprezentacje liczbowe cech, co cze˛s˙to mo´ze byc myl a˛ce˙ , gd˙ yz rózne znaczenie fizycz˙ne róznych cec˙h moze´ zostac utracone, kiedy wszystkie cechy traktowane sa ˛ jedynie jako liczby. Proponowane´ podejscie nie wymaga pocza ˛tkowego zbioru cech. Co wie˛cej, nie wymaga ono rep[...]

A Probabilistic Component for K-Means Algorithm and its Application to Sound Recognition

Czytaj za darmo! »

In this paper, we present a novel approach to building of a probabilistic model of the data set, which is further used by the K-means clustering algorithm. Considering K-means with respect to the probabilistic model, requires incorporating of a probabilistic distance, which provides us with measure of similarity between two probability distributions, as the distance measure. We use various kinds of probabilistic distances in order to evaluate their effectiveness when applied to the algorithm with the proposed model of the analyzed data. Further, we report the results of experiments with the discussed clustering algorithm in the field of sound recognition and choose these probabilistic distances, which correspond to the highest clustering performance. As a reference technique, we used the traditional K-means algorithm with the most commonly employed Euclidean distance. Our experiments have shown that the presented method outperforms the traditional K-means algorithm, regardless of the statistical distance applied. Streszczenie. W niniejszej pracy zaprezentowano nowy sposób budowy probabilistycznego modelu zbioru danych, analizowanych przez algorytm klasteryzacji K-´srednich. Rozwa˙zanie metody K-´srednich w odniesieniu do modelu probabilistycznego, narzuca wymaganie wykorzystania odległo´sci probabilistycznej, be˛da˛cej miara˛ podobien´stwa pomie˛dzy dwoma rozkładami prawdopodobien´stwa, jako miary odległos´ci w algorytmie. W pracy wykorzystano ró˙zne typy odległo´sci probabilistycznych, w celu oceny skuteczno´sci ich zastosowania w algorytmie z proponowanym modelem analizowanych danych. Przedstawione zostały równie˙z wyniki bada´n omawianego algorytmu w dziedzinie rozpoznawania d´zwi˛eku. Jako punkt odniesienia wykorzystany został tradycyjny algorytm K-s´rednich z najcze˛s´ciej stosowana˛ odległos´cia˛ Euklidesa. Wyniki przeprowadzonych badan´ pozwalaja˛ stwierdzic´, iz˙ zaprezentowana metoda umoz˙liwia osia˛gnie˛cie lepszych rezultatów klaste[...]

 Strona 1