Koneoppimisalgoritmin valinta Scikit-learn-kirjastossa

Abstract

Tässä työssä vertailtiin Pythonin Scikit-learn-kirjaston koneoppimisalgoritmien suorituskykyä hahmontunnistusongelmassa, jossa tavoitteena oli tunnistaa kuvista käsinkirjoitettuja numeroita. Harjoitus- ja testidatana käytettiin MNIST-datasettiä. Vertailu toteutettiin kahdessa vaiheessa, joista ensimmäisessä algoritmeja käytettiin oletussäädöin ja toisessa testaten niiden suorituskykyä erilaisin säädöin. Tuloksina saatiin, että k:n lähin naapuri -menetelmä (K-Nearest Neighbors) tuotti parhaimman tuloksen, kun harjoitusdataa oli paljon. Harjoitusdatan määrää pienenettäessä ja algoritmeja säädettäessä huomattiin, että tukivektorikone ja satunnaismetsäalgoritmi ovat myös tehokkaita ratkaisemaan tätä ongelmaa. Työssä päädyttiin siihen lopputulokseen, että algoritmin valintaan vaikuttaa se, kuinka paljon harjoitusdataa on käytössä ja kuinka paljon aikaa mallin kouluttamiseen voidaan käyttää. Yksiselitteisesti on vaikea vastata, mikä algoritmeista on paras, sillä se riippuu tilanteesta ja vaatii vertailua ja testausta.