Wednesday, November 18, 2026

Image Processing-09 PCA and Isomap Test with Face_Data.mat-2

အခုပရိုဂရမ်ဟာ Unsupervised Dimensionality Reduction (Isomap / PCA) နဲ့ Supervised Classification (-Nearest Neighbors) တို့ကို ပေါင်းစပ်ပြီး၊ Machine Learning Pipeline တစ်ခု တည်ဆောက်ထားခြင်း ဖြစ်ပါတယ်။ မျက်နှာပုံရိပ် (4,096 pixels) များရဲ့ ဦးခေါင်းလှည့်ပတ်မှု ဦးတည်ရာ (ဘယ်၊ ညာ၊ အပေါ်၊ အောက် ဆိုတဲ့ Class ၄ မျိုး) ကို 2D Manifold ပေါ်သို့ လျှော့ချပြီးနောက် -NN Classifier ဖြင့် အမျိုးအစားခွဲခြားကာ Decision Boundary (ဆုံးဖြတ်ချက် နယ်နိမိတ်မျဉ်း) ကို ဂရပ်ဖ်ဖြင့် ပုံဖော်စစ်ဆေးခြင်း ဖြစ်ပါတယ်။

၁။ အဆင့်တစ်ခုချင်းစီ၏ ရှင်းလင်းချက်

  1. face_data.mat ကို ဖတ်ယူခြင်းနှင့် ပုံများကို အတည့်ပြန်လှည့်ခြင်း
    • face_data.mat ထဲရှိ  မျက်နှာပုံ ၆၉၈ ပုံကို df (DataFrame) အဖြစ် ဖတ်ယူပြီး Transpose (.T) လုပ်၍ အတည့်ပြန်လှည့်ရပါမည်။
  2. face_labels.csv ကို Pandas Series အဖြစ် ဖတ်ယူခြင်း
    • CSV ဖိုင်တွင် Column Header မပါဝင်သောကြောင့် header=None ဖြင့် ဖတ်ယူပြီး label = label.iloc[:, 0] ဖြင့် 1D Series အဖြစ် ထုတ်ယူရပါမည်။
    • အဘယ်ကြောင့် NumPy Array မပြောင်းဘဲ Series အဖြစ် ထားရသနည်း- Series တွင် မူလ Row Index (0 မှ 697) များ ပါရှိနေသဖြင့် နောက်ပိုင်း Plot2DBoundary ဆွဲသောအခါ Test Set ထဲရောက်သွားသော ပုံများ၏ မူရင်း Pixel များကို df.iloc[index, :] ဖြင့် အတိအကျ ပြန်ရှာနိုင်ရန် ဖြစ်ပါသည်။
  3. train_test_split ပြုလုပ်ခြင်း (test_size=0.15, random_state=7)
    • ဒေတာစုစုပေါင်း၏ ၈၅% ကို လေ့ကျင့်ရန် (data_train, label_train) နှင့် ၁၅% ကို စမ်းသပ်စစ်ဆေးရန် (data_test, label_test) ခွဲထုတ်ရပါမည်။
  4. PCA သို့မဟုတ် Isomap ဖြင့် 2D (n_components=2) သို့ Dimension လျှော့ချခြင်း 
    • Data Leakage (ဒေတာပေါက်ကြားမှု) ကာကွယ်ခြင်း: fit() ကို data_train တစ်ခုတည်းဖြင့်သာ လေ့ကျင့်ပေးရမည်ဖြစ်ပြီး၊ ထို့နောက်မှ data_train နှင့် data_test နှစ်ခုလုံးကို transform() လုပ်ရပါမည်။  
  1. KNeighborsClassifier လေ့ကျင့်ခြင်း၊ တိကျမှု (Accuracy) တွက်ခြင်းနှင့် Plot2DBoundary ဆွဲခြင်း
    • 2D သို့ ပြောင်းလဲပြီးသား data_train နှင့် label_train ဖြင့် -NN Classifier ကို fit() လုပ်ပြီး data_test အပေါ်တွင် Accuracy တွက်ချက်ရပါမည်။

 

၂။ Implementation Code

import random, math

import pandas as pd

import numpy as np

import scipy.io

import matplotlib.pyplot as plt

 

from sklearn.model_selection import train_test_split

from sklearn.decomposition import PCA

from sklearn import manifold

from sklearn.neighbors import KNeighborsClassifier

from sklearn.metrics import accuracy_score

 

# PCA နှင့် Isomap ကို ပြောင်းလဲစမ်းသပ်ရန် ထိန်းချုပ်ခလုတ်

# False = Isomap (Non-linear Manifold Learning) ကို သုံးမည်

# True  = PCA (Linear Dimensionality Reduction) ကို သုံးမည်

Test_PCA = False

 

plt.style.use('ggplot')

 

 

# ==============================================================================

# Plot2DBoundary: 2D Feature Space ပေါ်ရှိ Classifier ၏ Decision Boundary ကို ပုံဖော်ခြင်း

# AIMA (4th Ed.) Ch. 19, Sec. 19.7 (Nonparametric Models: Decision Boundaries & Voronoi Cells)

# သီအိုရီ - 2D မျက်နှာပြင်တစ်ခုလုံးကို ဇယားကွက် (Mesh Grid) စိတ်၍ အမှတ်တစ်ခုချင်းစီကို

# KNeighborsClassifier ဖြင့် ခန့်မှန်းစေခြင်းဖြင့် Class တစ်ခုနှင့်တစ်ခုကြား ပိုင်းခြားထားသော

# ဆုံးဖြတ်ချက် နယ်နိမိတ်မျဉ်းများ (Decision Surfaces) ကို အရောင်ခွဲ၍ မြင်တွေ့နိုင်သည်။

# ==============================================================================

def Plot2DBoundary(model, DTrain, LTrain, DTest, LTest):

    fig = plt.figure(figsize=(10, 8))

    ax = fig.add_subplot(111)

    mode_name = "PCA (Linear)" if Test_PCA else "Isomap (Non-linear)"

    ax.set_title(f'Transformed Boundary ({mode_name} -> 2D k-NN)', fontsize=13, fontweight='bold')

 

    padding = 0.1

    resolution = 1

    colors = ['blue', 'green', 'orange', 'red']

 

    # 2D Mesh Grid နယ်နိမိတ် သတ်မှတ်ခြင်း

    x_min, x_max = DTrain[:, 0].min(), DTrain[:, 0].max()

    y_min, y_max = DTrain[:, 1].min(), DTrain[:, 1].max()

    x_range = x_max - x_min

    y_range = y_max - y_min

    x_min -= x_range * padding

    y_min -= y_range * padding

    x_max += x_range * padding

    y_max += y_range * padding

 

    xx, yy = np.meshgrid(np.arange(x_min, x_max, resolution),

                         np.arange(y_min, y_max, resolution))

 

    # Mesh Grid ပေါ်ရှိ အမှတ်တိုင်းအတွက် Model ၏ ခန့်မှန်းချက် (Class Label) ကို တွက်ယူခြင်း

    Z = model.predict(np.c_[xx.ravel(), yy.ravel()])

    Z = Z.reshape(xx.shape)

 

    # နောက်ခံ Decision Boundary အရောင်ကွက်များ ရေးဆွဲခြင်း (z=-100 အစား zorder=-100 သုံးရမည်)

    ax.contourf(xx, yy, Z, cmap=plt.cm.terrain, alpha=0.45, zorder=-100)

 

    # Testing ပုံရိပ်များကို 2D Space ပေါ်ရှိ ၎င်းတို့၏ တည်နေရာအတိအကျတွင် ပုံသေးလေးများအဖြစ် ကပ်ဆွဲခြင်း

    x_size = x_range * 0.05

    y_size = y_range * 0.05

 

    img_num = 0

    for index in LTest.index:

        x0, y0 = DTest[img_num, 0] - x_size / 2., DTest[img_num, 1] - y_size / 2.

        x1, y1 = DTest[img_num, 0] + x_size / 2., DTest[img_num, 1] + y_size / 2.

 

        # မူရင်း မပြောင်းလဲသေးသော df ထဲမှ index အတိုင်း 64x64 ပုံရိပ်ကို ပြန်ထုတ်ယူခြင်း

        img = df.iloc[index, :].to_numpy().reshape(num_pixels, num_pixels)

        ax.imshow(img, aspect='auto', cmap=plt.cm.gray, interpolation='nearest',

                  zorder=100000, extent=(x0, x1, y0, y1), alpha=0.85)

        img_num += 1

 

    # Training Data အမှတ်များကို အရောင်ခွဲ၍ အစက်များအဖြစ် ပြသခြင်း

    for lbl in range(len(np.unique(LTrain))):

        indices = np.where(LTrain == lbl)[0]

        ax.scatter(DTrain[indices, 0], DTrain[indices, 1], c=colors[lbl],

                   alpha=0.85, marker='o', edgecolors='k', label=f'Train Class {lbl}')

 

    ax.set_xlabel('Component 0')

    ax.set_ylabel('Component 1')

    ax.legend(loc='best')

    plt.show()

 

 

# ==============================================================================

# TODO 1: face_data.mat ကို ဖတ်ယူခြင်းနှင့် ပုံများကို အတည့်ပြန်လှည့်ခြင်း

# AIMA (4th Ed.) Ch. 27, Sec. 27.2 & 27.5 (Image Formation & Pose Estimation)

# သီအိုရီ - မျက်နှာပုံ ၆၉၈ ပုံသည် 4,096-dimensional pixel space အတွင်း ရှိနေပြီး

# ဦးခေါင်းလှည့်ပတ်မှု ထောင့်အမျိုးမျိုး (Pose Variations) ကို ကိုယ်စားပြုပါသည်။

# ==============================================================================

mat = scipy.io.loadmat('C:\\Users\\kks\\OneDrive\\Desktop\\MyPyTest\\Module4\\Datasets\\face_data.mat')

df = pd.DataFrame(mat['images']).T

num_images, num_pixels = df.shape

num_pixels = int(math.sqrt(num_pixels))  # 4096 -> 64 x 64 pixels

 

for i in range(num_images):

    df.loc[i, :] = df.loc[i, :].to_numpy().reshape(num_pixels, num_pixels).T.reshape(-1)

 

 

# ==============================================================================

# TODO 2: face_labels.csv ကို Pandas Series အဖြစ် ဖတ်ယူခြင်း

# AIMA (4th Ed.) Ch. 19, Sec. 19.1 (Forms of Learning: Supervised vs. Unsupervised)

# သီအိုရီ - Input X (မျက်နှာပုံများ) အပြင် မှန်ကန်သော အဖြေ Output y (Class Labels: 0, 1, 2, 3)

# ကိုပါ ပေးအပ်၍ သင်ကြားစေခြင်းသည် Supervised Learning (Classification) ဖြစ်ပါသည်။

# ==============================================================================

label = pd.read_csv('C:\\Users\\kks\\OneDrive\\Desktop\\MyPyTest\\Module4\\Datasets\\face_labels.csv', header=None)

label = label.iloc[:, 0]  # DataFrame (698, 1) မှ 1D Series (698,) သို့ ပြောင်းလဲခြင်း

print("Label Value Counts:\n", label.value_counts().sort_index())

 

 

# ==============================================================================

# TODO 3: Training Set (85%) နှင့် Testing Set (15%) ခွဲခြားခြင်း

# AIMA (4th Ed.) Ch. 19, Sec. 19.2 (Supervised Learning: Generalization & Holdout Validation)

# သီအိုရီ - Model တစ်ခု၏ စွမ်းဆောင်ရည်ကို တိုင်းတာရာတွင် လေ့ကျင့်စဉ်က တစ်ခါမျှ မမြင်ဖူးသော

# Test Data ပေါ်၌ စမ်းသပ်မှသာ Overfitting ရှိ/မရှိ နှင့် Generalization စွမ်းရည်ကို သိနိုင်မည်။

# ==============================================================================

data_train, data_test, label_train, label_test = train_test_split(

    df, label, test_size=0.15, random_state=7

)

 

 

# ==============================================================================

# TODO 4: Unsupervised Feature Extraction (PCA vs. Isomap -> 2D)

# AIMA (4th Ed.) Ch. 22, Sec. 22.7 (Manifold Hypothesis & Dimensionality Reduction)

# AIMA (4th Ed.) Ch. 19, Sec. 19.9 (Preventing Data Leakage in Preprocessing Pipelines)

# သီအိုရီ -

#   1. Data Leakage ကာကွယ်ရန် fit() ကို data_train အပေါ်၌သာ လုပ်ဆောင်ရပါမည်။

#   2. Curse of Dimensionality (Ch. 19.7): 4,096D တွင် အကွာအဝေး တွက်ချက်မှု ခက်ခဲသဖြင့်

#      အဓိက မျက်နှာလှည့်ပတ်မှု ဝင်ရိုး ၂ ခု (2D Manifold) သို့ ဦးစွာ လျှော့ချခြင်းဖြစ်သည်။

# ==============================================================================

if Test_PCA:

    print("Running Linear PCA -> 2D...")

    pca = PCA(n_components=2)

    pca.fit(data_train)                      # Training data ဖြင့်သာ ဝင်ရိုးရှာခြင်း

    data_train = pca.transform(data_train)   # (593, 4096) -> (593, 2)

    data_test = pca.transform(data_test)     # (105, 4096) -> (105, 2)

else:

    print("Running Non-linear Isomap (K=5) -> 2D...")

    iso = manifold.Isomap(n_neighbors=5, n_components=2)

    iso.fit(data_train)                      # Training data ဖြင့်သာ Geodesic Graph ဆောက်ခြင်း

    data_train = iso.transform(data_train)   # (593, 4096) -> (593, 2)

    data_test = iso.transform(data_test)     # (105, 4096) -> (105, 2)

 

 

# ==============================================================================

# TODO 5: KNeighborsClassifier (k-NN) ဖြင့် Supervised Classification ပြုလုပ်ခြင်း

# AIMA (4th Ed.) Ch. 19, Sec. 19.7 (Nonparametric Models: k-Nearest Neighbors)

# သီအိုရီ - k-NN သည် Training Data များကို သင်္ချာပုံသေနည်း (Parameters) အဖြစ် ချုံ့မပစ်ဘဲ

# မှတ်ဉာဏ်ထဲတွင် သိမ်းဆည်းထားကာ Test Point အသစ် ရောက်လာသောအခါ 2D Space ထဲရှိ

# အနီးစပ်ဆုံး အိမ်နီးချင်း k ခု (n_neighbors) ၏ အများစုမဲ (Majority Vote) ဖြင့် အဖြေထုတ်သည်။

# ==============================================================================

knn = KNeighborsClassifier(n_neighbors=5)

knn.fit(data_train, label_train)

 

 

# ==============================================================================

# TODO 6: Testing Set အပေါ်တွင် Accuracy တွက်ချက်ခြင်းနှင့် Decision Boundary ပုံဖော်ခြင်း

# AIMA (4th Ed.) Ch. 19, Sec. 19.2 (Evaluating Hypothesis Accuracy on Test Set)

# ==============================================================================

predictions = knn.predict(data_test)

accScore = accuracy_score(label_test, predictions)

print(f"Classification Accuracy on Test Set: {accScore * 100:.2f}%")

 

# 2D Decision Boundary နှင့် Test မျက်နှာပုံများကို ပုံဖော်ပြသခြင်း

Plot2DBoundary(knn, data_train, label_train, data_test, label_test)

 

၃။ စမ်းသပ်ချက်များအပေါ် သုံးသပ်ချက် (Experiments Analysis)

  1. Isomap (Test_PCA = False) vs. PCA (Test_PCA = True) နှိုင်းယှဉ်ချက်



    • Isomap: မျက်နှာလှည့်ခြင်း (Yaw & Pitch) ၏ Non-linear Geodesic အကွာအဝေးကို ထိန်းသိမ်းထားနိုင်သဖြင့် 2D Space ပေါ်တွင် Class ၄ ခု (ဘယ်၊ ညာ၊ အပေါ်၊ အောက်) သည် သီးခြားနယ်မြေ ၄ ခုအဖြစ် ပြတ်ပြတ်သားသား ကွဲထွက်နေပြီး Accuracy ၉၇% မှ ၁၀၀% နီးပါး အထိ ရရှိပါသည်။
    • PCA မျဉ်းဖြောင့်အတိုင်း အရိပ်ချလိုက်သဖြင့် မီးအလင်းရောင် ပြောင်းလဲမှုနှင့် မျက်နှာလှည့်ပုံများ ရောထွေးသွားကာ Class နယ်နိမိတ်များ ထပ်နေသဖြင့် Accuracy သည် ၇၅% မှ ၈၅% ဝန်းကျင် သို့ သိသိသာသာ ကျဆင်းသွားပါသည်။

 

  1. test_size ကို 10% (0.10) မှ 20% (0.20) အတွင်း ပြောင်းလဲစမ်းသပ်ခြင်း (Sample Density Effect)
    • test_size ကို ကြီးလိုက်သောအခါ (ဥပမာ 0.20 သို့မဟုတ် 0.30) data_train ထဲတွင် ကျန်ရှိသော ပုံအရေအတွက် နည်းပါးသွားပါသည်။
    • Ch. 19.7 & Ch. 22.7 သဘောတရား: Manifold Learning (Isomap) သည် Training Point များ တစ်ခုနှင့်တစ်ခု နီးကပ်စွာ ရှိနေမှသာ -NN Graph မှတစ်ဆင့် မျက်နှာပြင်အကွေးကို တိကျစွာ ခြေရာခံနိုင်ပါသည်။ Training Data နည်းသွားသောအခါ အမှတ်များကြား အကွာအဝေး ကျဲသွားပြီး Isomap ၏ Graph တွင် "ဖြတ်လမ်းမှားများ (Short-circuits)" သို့မဟုတ် "ကွက်လပ်များ" ဖြစ်ပေါ်လာကာ Boundary တိကျမှု အနည်းငယ် ကျဆင်းသွားသည်ကို တွေ့ရပါမည်။

ထွက်ပေါ်လာသော Transformed Boundary (Isomap (Non-linear) -> 2D k-NN) ရလဒ်ပုံသည် Unsupervised Manifold Learning (Isomap) နှင့် Supervised Classification (-NN) တို့ အောင်မြင်စွာ ပေါင်းစပ်အလုပ်လုပ်ပုံကို ပြသနေသည့် အလွန်ကောင်းမွန်သော သက်သေတစ်ခု ဖြစ်ပါသည်။ မူလ  (4,096 dimensions) ရှိသော Pixel ဒေတာများကို 2D မျက်နှာပြင်ပေါ်သို့ လျှော့ချလိုက်သော်လည်း မျက်နှာလှည့်ပတ်မှု ဦးတည်ရာ ၄ မျိုးလုံးကို ပြတ်ပြတ်သားသား ခွဲခြားနိုင်သည်ကို အောက်ပါရှုထောင့် ၄ ခုမှ ဝေဖန်သုံးသပ်နိုင်ပါသည်။

၁။ ဝင်ရိုးနှစ်ခု (Component 0 နှင့် Component 1) ၏ လက်တွေ့အဓိပ္ပာယ် ဖော်ထုတ်နိုင်စွမ်း

Isomap သည် Label တစ်ခုမျှ မပါဘဲ တွက်ချက်ခဲ့သော်လည်း ထွက်ပေါ်လာသော 2D ဝင်ရိုးနှစ်ခုသည် လူသားတို့၏ ဦးခေါင်းလှုပ်ရှားမှု ဝင်ရိုးနှစ်ခုနှင့် တိုက်ရိုက်ထပ်တူကျနေပါသည်။



  • အလျားလိုက် ဝင်ရိုး (Component 0 — Yaw / ဘယ်-ညာ လှည့်ပတ်မှု) ဘယ်ဘက်အစွန်း (-80) မှ ညာဘက်အစွန်း (+80) သို့ လိုက်ကြည့်ပါက မျက်နှာပုံလေးများသည် ဘယ်ဘက်သို့ လှည့်နေရာမှ ရှေ့တည့်တည့်ကို ဖြတ်၍ ညာဘက်သို့ အစဉ်လိုက် ပြောင်းလဲလှည့်သွားသည်ကို တွေ့ရပါသည်။
  • ဒေါင်လိုက် ဝင်ရိုး (Component 1 — Pitch / အပေါ်-အောက် မော့ငုံ့မှု) အောက်ခြေ (-40) မှ အပေါ်ထိပ် (+60) သို့ လိုက်ကြည့်ပါက မေးစေ့မော့၍ အပေါ်သို့ ကြည့်နေသော ပုံများမှ နဖူးနှင့် ဆံပင်ပေါ်အောင် အောက်သို့ ငုံ့ကြည့်နေသော ပုံများအဖြစ် အစဉ်လိုက် ပြောင်းလဲသွားပါသည်။
  • Class ၄ ခု၏ နယ်မြေပိုင်းခြားမှု (4 Semantic Quadrants) ရလဒ်အနေဖြင့် Dataset ထဲမှ Class ၄ ခုသည် 2D Space ပေါ်တွင် အရပ်လေးမျက်နှာသဖွယ် သဘာဝကျကျ ကွဲထွက်သွားပါသည်။
    • Train Class 0 (အပြာရောင် — ဘယ်ဘက်အခြမ်း) ဘယ်ဘက်သို့ လှည့်နေသော မျက်နှာများ
    • Train Class 1 (အစိမ်းရောင် — အောက်ဘက်အလယ်) အပေါ်သို့ မော့ကြည့်နေသော မျက်နှာများ
    • Train Class 2 (လိမ္မော်ရောင် — ညာဘက်အခြမ်း) ညာဘက်သို့ လှည့်နေသော မျက်နှာများ
    • Train Class 3 (အနီရောင် — အပေါ်ဘက်အလယ်) အောက်သို့ ငုံ့ကြည့်နေသော မျက်နှာများ

 

၂။ အလင်းရောင် ပြောင်းလဲမှု (Illumination Variation) ကို ကျော်လွှားနိုင်မှု

ပုံထဲရှိ မျက်နှာပုံသေးလေးများ (Test Images) ကို အနီးကပ်ကြည့်ရှုပါက နယ်မြေတစ်ခုတည်းအတွင်း၌ပင် မျက်နှာတစ်ခြမ်းလုံး အရိပ်ကျပြီး မည်းမှောင်နေသော ပုံများ နှင့် မျက်နှာတစ်ခုလုံး လင်းထိန်နေသော ပုံများ အတူတကွ ယှဉ်တွဲနေသည်ကို တွေ့ရပါမည်။



  • ဤအချက်က Chapter 22 (Section 22.7) နှင့် Chapter 27 (Section 27.2) တို့တွင် ရှင်းပြထားသည့်အတိုင်း Isomap ၏ Geodesic Distance သည် မျက်နှာပေါ်ကျရောက်သည့် အလင်းအမှောင် ပြောင်းလဲမှု (တတိယမြောက် Latent Factor ဖြစ်သော Component 2) ထက် မျက်နှာ၏ 3D ပုံသဏ္ဌာန်နှင့် လှည့်ပတ်မှု (Component 0 နှင့် 1) ကို ဦးစားပေးခွဲထုတ်နိုင်ကြောင်း လက်တွေ့သက်သေပြနေပါသည်။

 

၃။ Decision Boundary နှင့် နယ်နိမိတ်မျဉ်းများအပေါ် ဝေဖန်သုံးသပ်ချက်

ပုံထဲရှိ နောက်ခံအရောင်ကွက်များ (Decision Surfaces) နှင့် အစက်များ၏ တည်နေရာကို စစ်ဆေးကြည့်ပါက အောက်ပါ အရေးကြီးအချက် ၄ ချက်ကို တွေ့ရှိရပါသည်။

  1. Outlier များကို ထိန်းညှိပေးနိုင်သော  ၏ စွမ်းဆောင်ရည် (Bias-Variance Tradeoff — AIMA Ch. 19.7)
    • အစိမ်းရောင်နယ်မြေ အတွင်းပိုင်း (Component 0 ≈ 12, Component 1 ≈ -2) အနီးတွင် အနီရောင်အစက် ၂ စက် ကျရောက်နေသည်ကို တွေ့ရပါသည်။ အကယ်၍ n_neighbors=1 (-NN) ကို သုံးခဲ့ပါက ထိုအနီရောင်အစက် ၂ စက်ပတ်လည်တွင် အစိမ်းရောင်နယ်မြေထဲ၌ အနီရောင်အကွက်ငယ် (Overfitting Island) တစ်ခု ဖြစ်ပေါ်နေမည် ဖြစ်ပါသည်။ သို့သော် n_neighbors=5 ကို အသုံးပြုထားသဖြင့် အနီးပတ်ဝန်းကျင်ရှိ အစိမ်းရောင်အစက်များ၏ အများစုမဲ (Majority Vote) က လွှမ်းမိုးသွားပြီး နယ်နိမိတ်ကို ချောမွေ့စွာ ထိန်းသိမ်းပေးနိုင်ခဲ့ပါသည်။
  2. အလယ်ဗဟို (0, 0) အနီးရှိ မရေရာသော နယ်မြေ (Central Ambiguity Zone)
    • ဂရပ်ဖ်၏ အလယ်ဗဟို (Component 0 ≈ -15 မှ +10, Component 1 ≈ +5 မှ +10) နေရာသည် အပြာ၊ အစိမ်း၊ အနီ နှင့် လိမ္မော် နယ်မြေ ၄ ခုလုံး လာရောက်ဆုံတွေ့သည့် လမ်းဆုံနေရာ ဖြစ်ပါသည်။ ဤနေရာရှိ မျက်နှာပုံများသည် ရှေ့တည့်တည့်နီးပါး ကြည့်နေသော ပုံများဖြစ်သဖြင့် "အနည်းငယ် ဘယ်လှည့်သည်" နှင့် "အနည်းငယ် အောက်ငုံ့သည်" ကြား ခွဲခြားရခက်ခဲပြီး စမ်းသပ်မှုတွင် မှားယွင်းနိုင်ခြေ (Misclassification) အများဆုံး ဖြစ်ပေါ်တတ်သည့် နေရာဖြစ်ပါသည်။
  3. ဘယ်ဘက်အပေါ်ထောင့်ရှိ နယ်မြေဆန့်ထွက်မှု (Extrapolation in Sparse Regions)
    • ဘယ်ဘက်အပေါ်ထောင့် (-50, +50) အနီးတွင် အပြာရောင်အစက် ၂ စက် ထိုးထွက်နေသောကြောင့် ဘယ်ဘက်အပေါ်ထောင့် တစ်ခုလုံး (x = -80 မှ -40, y = +35 မှ +60) ကို အပြာရောင်နယ်မြေ (Class 0) အဖြစ် သတ်မှတ်သွားပါသည်။ ၎င်းမှာ -NN သည် Data Point မရှိသော နေရာလွတ် (Empty Space) များတွင် အနီးဆုံး Training Point ၏ အရောင်အတိုင်း အလိုအလျောက် ဆွဲဆန့်သတ်မှတ်တတ်သည့် သဘာဝကြောင့် ဖြစ်ပါသည်။
  4. နယ်နိမိတ်မျဉ်းများ အထစ်ထစ် ဖြစ်နေခြင်း (Grid Resolution Effect)
    • အရောင်တစ်ခုနှင့်တစ်ခုကြား နယ်နိမိတ်မျဉ်းများသည် မျဉ်းကွေးအချောမဟုတ်ဘဲ လှေကားထစ်သဖွယ် အထစ်လေးများ ဖြစ်နေသည်ကို တွေ့ရပါမည်။ ၎င်းမှာ Algorithm အားနည်းချက်ကြောင့် မဟုတ်ဘဲ Plot2DBoundary Function ထဲတွင် တွက်ချက်မှုမြန်စေရန် resolution = 1 ဟု သတ်မှတ်ထားသောကြောင့် ဖြစ်ပြီး၊ resolution = 0.2 ခန့် ပြောင်းလိုက်ပါက အလွန်ချောမွေ့သော မျဉ်းကွေးနယ်နိမိတ်များကို မြင်တွေ့ရမည် ဖြစ်ပါသည်။

ခြုံငုံသုံးသပ်ရလျှင် Dimension ပေါင်း 4,096 ခုမှ 2D သို့ လျှော့ချလိုက်သည့်တိုင် Test မျက်နှာပုံလေးများ အားလုံးနီးပါးသည် ၎င်းတို့၏ မူလဦးခေါင်းလှည့်ပတ်မှု အရောင်နယ်မြေအသီးသီးအတွင်း တိကျမှန်ကန်စွာ ကျရောက်နေသဖြင့် အလွန်မြင့်မားသော Classification Accuracy (၉၅% အထက်) ကို ရရှိနေကြောင်း ပုံရိပ်အရ အတည်ပြုနိုင်ပါသည်။

 

No comments:

Post a Comment

Note: Only a member of this blog may post a comment.