7. Cấu trúc luận văn
2.5. đo đánh giá mô hình phân lớp
Để xác định một số độ đo, ta định nghĩa bảng dữ liệu như sau:
Bảng 2.2. Định nghĩa các giá trị cho việc đánh giá thực thi mô hình
Phân lớp cảm xúc Dự đoán Nhãn lớp Class= Hạnh phúc Class= Không thuộc hạnh phúc Class = hạnh phúc TP FN
Class = Không thuộc hạnh phúc FP TN
Trong đó:
- True Positive (TP): chấp nhận đúng
- False Negative (FN): từ chối sai
- False Positive (FP): chấp nhận sai
- True Negative (TN): từ chối đúng
Khi đó, độ chính xác (Accuracy) là tỉ lệ giữa số điểm được phân loại đúng và tổng số điểm. Accuracy chỉ phù hợp với các bài toán mà kích thước các lớp dữ liệu là tương đối như nhau
Accuracy (M) = TP + TN
TP + FN + FP + TN (2.1)
Độ lỗi của mô hình M:
error_rate(M) = 1 – Accuracy(M) (2.2)
Khi kích thước các lớp dữ liệu là chênh lệch precision và recall thường được sử dụng
- Độ chính xác Precision: là tỉ lệ số điểm true positive trong số những điểm đượcphân loại làpositive (TP + FP)
Precision = TP
-Độ đo tính toàn vẹn Recall: là tỉ lệ số điểm true positive trong số những điểm thực sự là positive (TP + FN).
Recall = TP
TP + FN (2.4)
Precision cao đồng nghĩa với việc độ chính xác của các điểm tìm được là cao. Recall cao đồng nghĩa với việc True Positive Rate cao, tức tỉ lệ bỏ sót các điểm thực sự positive là thấp.
Độ đo F1-Score:
Một mô hình phân lớp tốt là mô hình có cả Precision và Recall đều cao, tức càng gần một càng tốt. Phép đánh giá dựa trên Precision-Recall được sử dụng đó là F1-Score.
F1-Score có giá trị nằm trong nửa khoảng (0,1]. F1-Score càng cao, bộ phân lớp càng tốt.
𝐹1 − 𝑆𝑐𝑜𝑟𝑒 = 2𝑅𝑒𝑐𝑎𝑙𝑙. 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛
Chương 3. ƯỚC LƯỢNG CẢM XÚC CỦA NGƯỜI DỰA TRÊN ẢNH THƯỜNG VÀ ẢNH NHIỆT
Mô hình kết hợp ước lượng cảm xúc trong luận văn này là bài toán kết hợp các mô hình phân lớp riêng lẻ với cơ sở dữ liệu đầu vào là ảnh thường và ảnh nhiệt được trích xuất từ cơ sở dữ liệu KTFE nhằm xác định một lớp cảm xúc cụ thể của hình ảnh nằm trong bộ phân lớp cảm xúc. Mỗi mô hình phân lớp gồm 03 thành phần mỗi thành phần tùy theo từng bài toán mà cấu trúc bên trong có thể thay đổi sao cho phù hợp để giải quyết bài toán một cách tốt nhất: -Phần đầu vào: Sử dụng hình ảnh theo từng loại cảm xúc (ảnh nhiệt và ảnh thường).
-Phần xử lý: Xây dựng bộ phân lớp CNN (Resnet-50). Có thể sử dụng các thuật toán máy học để nâng cao hiệu suất và kết quả chính xác trên điều kiện đo lường đánh giá mô hình phân lớp.
-Phần đầu ra: sau khi đi qua hệ thống học sâu cho ra kết quả phân lớp đã được định danh sẵn. Kết quả ở phần này có dạng một vector với n chiều (trong đó n = 7 là số lớp cảm xúc được định danh sẵn). Dựa vào xác suất trong vector đầu ra để kết luận ảnh này tương thích với cảm xúc nào trong các loại cảm xúc được xác định ban đầu (giận dữ (An), ghê tởm (Di), sợ hãi (Fe), hạnh phúc (Ha), bình thường (Ne), buồn rầu (Sa) và ngạc nhiên (Su)).
Kết quả dự đoán từ hai mô hình riêng lẻ trên ảnh thường và ảnh nhiệt sẽ được kết hợp thông qua một hàm tính toán để tăng kết quả ước lượng.