We have implemented a non-linear po

We have implemented a non-linear polynomial regression model on the Training-set to extract a parameter that will be a result of learning step. We will use this parameter for estimation which will be discussed in the next step. A non-linear polynomial regressor can have a degree 2 or higher. Initially, we have tried implementing with degree-2. Further to better fit the data, we checked with higher order degrees. Note that the increase in the degree of non-linearity will increase the size of feature-vector and hence the computational complexity. We have found that after a degree 3, a negligible increase in estimation accuracy was observed. Hence we have set a degree of non-linearity of 3 for our model. This resulted in the final feature-vector size growing to 90 for 30 features extracted. For each data-set, a 90 dimensional feature-vector x is extracted along with a 2 dimensional world-state vector w (ground-truth distance and intensity) as shown in Equation (1)

ผลลัพธ์ (ไทย) 1:

เราได้ดำเนินการแบบจำลองถดถอยพหุนามสมบัติชุดฝึกอบรมการแยกพารามิเตอร์ที่จะเป็นผลมาจากขั้นตอนการเรียนรู้ เราจะใช้พารามิเตอร์นี้เพื่อการประเมินซึ่งจะกล่าวถึงในขั้นตอนถัดไป Regressor เป็นพหุนามสมบัติได้ในระดับ 2 หรือสูงกว่า เริ่มแรก เราได้พยายามดำเนินการ 2 ระดับ ต่อไปพอดีข้อมูล เราตรวจสอบกับองศาสูงสั่ง หมายเหตุว่า การเพิ่มขึ้นของระดับของการไม่เป็นเชิงเส้นจะเพิ่มขนาดของเวกเตอร์คุณลักษณะ และด้วยเหตุนี้ความซับซ้อนที่คำนวณ เราได้พบว่า หลังจากระดับ 3 การเพิ่มขึ้นเล็กน้อยในความแม่นยำของการประมาณการพบว่า ดังนั้น เราได้ตั้งในระดับที่ไม่เป็นเชิงเส้นของ 3 รุ่นของเรา ส่งผลให้ในขนาดสุดท้ายคุณสมบัติเวกเตอร์ 90 30 คุณลักษณะสกัดการเติบโต สำหรับแต่ละข้อมูลชุด 90 มิติคุณลักษณะเวกเตอร์ x สกัดพร้อมกับ w 2 มิติเวกเตอร์รัฐโลก (พื้นดินจริงระยะและความรุนแรง) ดังแสดงในสมการ (1)

ผลลัพธ์ (ไทย) 2:

เราได้ดำเนินการรูปแบบการถดถอยที่ไม่ใช่เชิงเส้นพหุนามในการฝึกอบรมชุดที่จะดึงพารามิเตอร์ที่จะเป็นผลมาจากขั้นตอนการเรียนรู้ เราจะใช้พารามิเตอร์นี้สำหรับการประมาณซึ่งจะมีการหารือในขั้นตอนต่อไป regressor พหุนามที่ไม่ใช่เชิงเส้นสามารถมีการศึกษาระดับปริญญา 2 หรือสูงกว่า ในขั้นต้นเราได้พยายามดำเนินการที่มีระดับ-2 นอกจากนี้เพื่อให้พอดีกับข้อมูลที่เราตรวจสอบกับองศาการสั่งซื้อที่สูงขึ้น ทราบว่าการเพิ่มขึ้นในระดับที่ไม่เป็นเชิงเส้นที่จะเพิ่มขนาดของคุณลักษณะเวกเตอร์และด้วยเหตุนี้ความซับซ้อนของการคำนวณ เราพบว่าหลังจากที่ระดับ 3 เพิ่มขึ้นเล็กน้อยในความถูกต้องประมาณค่าที่ถูกตั้งข้อสังเกต ดังนั้นเราได้กำหนดระดับของการที่ไม่เป็นเชิงเส้นของ 3 สำหรับรูปแบบของเรา นี้ส่งผลให้ขนาดคุณลักษณะเวกเตอร์สุดท้ายที่เติบโตถึง 90 30 คุณสมบัติสกัด สำหรับแต่ละชุดข้อมูลเป็น 90 มิติคุณลักษณะเวกเตอร์ x สกัดพร้อมกับมิติเวกเตอร์โลกรัฐ 2 W (พื้นความจริงระยะทางและความรุนแรง) ดังแสดงในสมการ (1)

ผลลัพธ์ (ไทย) 3:

เราได้ใช้แบบจำลองสมการถดถอยแบบไม่เชิงเส้นในชุดฝึกอบรมเพื่อสกัดพารามิเตอร์ที่จะเรียนขั้น เราจะใช้พารามิเตอร์นี้เพื่อประเมินซึ่งจะกล่าวถึงในขั้นตอนต่อไป เป็นเชิงเส้นพหุนาม regressor ได้ระดับ 2 หรือสูงกว่า ตอนแรกเราได้ลองใช้กับ degree-2 . เพิ่มเติมให้ พอดีกับข้อมูลที่เราตรวจสอบการสั่งซื้อที่สูงกว่าองศา หมายเหตุที่เพิ่มขึ้นในระดับไม่จะเพิ่มขนาดของเวกเตอร์และคุณลักษณะดังนั้นความซับซ้อนในการคำนวณ . เราได้พบว่า หลังจากระดับ 3 เพิ่มเล็กน้อยในความถูกต้องประมาณ 2 . ดังนั้นเราต้องกำหนดระดับของไม่ของ 3 นางแบบของเรา ส่งผลสุดท้ายคุณลักษณะเวกเตอร์ขนาดโต 90 30 คุณสมบัติสกัด สำหรับข้อมูลแต่ละชุดมีคุณลักษณะ 90 มิติเวกเตอร์ x สกัดพร้อมกับ 2 มิติรัฐโลกเวกเตอร์ W ( ระยะทางจริงพื้นดินและความรุนแรง ) ดังแสดงในสมการที่ ( 1 )