ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ В ЗАДАЧЕ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ РУКОПИСНЫХ ЦИФР

Аннотация. В данной научной статье исследуется применение алгоритмов машинного обучения для автоматического распознавания рукописных цифр. В частности, анализируется эффективность различных алгоритмов и техник обработки данных для достижения наилучших результатов в задаче классификации цифр. В работе рассматриваются нейронные сети, метод опорных векторов и случайные леса. Эксперименты проводятся на популярном наборе данных MNIST. Результаты исследования могут быть использованы для повышения точности систем распознавания рукописных символов в различных областях применения, таких как распознавание адресов, банковских чеков и автоматизация сортировки почты.

Введение:

Автоматическое распознавание рукописных цифр является важной задачей в области компьютерного зрения и машинного обучения. Данная проблема имеет множество практических применений, включая почтовую сортировку, цифровизацию документов, автоматическое заполнение форм и распознавание рукописных подписей. В последние годы машинное обучение и нейронные сети стали основными инструментами для решения подобных задач. В данной статье мы сравним несколько популярных алгоритмов машинного обучения и оценим их производительность на наборе данных MNIST.

Набор данных MNIST:

MNIST - это широко используемый набор данных, содержащий изображения рукописных цифр от 0 до 9. Каждое изображение представлено в виде черно-белого изображения размером 28x28 пикселей. Набор данных содержит 60 000 обучающих примеров и 10 000 тестовых примеров.

Алгоритмы машинного обучения:

Нейронные сети: В данном исследовании используются простые полносвязные нейронные сети с различным количеством скрытых слоев и нейронов. Мы также рассмотрим применение сверточных нейронных сетей (CNN), которые показали выдающиеся результаты в задачах обработки изображений.

Метод опорных векторов (SVM): SVM - это алгоритм классификации, который строит оптимальную разделяющую гиперплоскость между различными классами данных.

Случайные леса: Случайные леса - это ансамблевый метод, который объединяет несколько решающих деревьев для повышения обобщающей способности модели.

Предобработка данных:

Перед применением алгоритмов машинного обучения, изображения рукописных цифр необходимо предобработать. Мы преобразуем каждое изображение в одномерный вектор пикселей и нормализуем значения пикселей для улучшения сходимости обучения.

Результаты и обсуждение:

Проведены эксперименты с различными алгоритмами машинного обучения на наборе данных MNIST. В таблице 1 представлены полученные точности каждого алгоритма на тестовой выборке.

Таблица.

Сравнение точности алгоритмов машинного обучения на наборе данных MNIST

Из результатов видно, что сверточные нейронные сети показывают наилучшую производительность в задаче распознавания рукописных цифр. Полносвязные сети также показывают хорошие результаты, но несколько уступают CNN. SVM и случайные леса демонстрируют немного более низкую точность, чем нейронные сети.

Заключение:

В данной статье мы исследовали эффективность различных алгоритмов машинного обучения в задаче автоматического распознавания рукописных цифр. Сверточные нейронные сети показали наилучшие результаты, что подтверждает их превосходство в обработке изображений. Эти результаты могут быть использованы в различных приложениях, где требуется автоматическое распознавание рукописных символов для улучшения точности и эффективности систем автоматизации.