Dane użyte w projekcie pochodzą z bazy danych UCI Machine Learning Repository. Zbiór danych zawiera litery alfabetu angielskiego napisane w dwudziestu różnych czcionkach. Litery są reprezentowane jako mapy pikseli czarno-białych, z losowymi deformacjami. Po przekształceniu, litery są opisane za pomocą 16 atrybutów numerycznych o wartościach od 0 do 15. Zbiór danych zawiera 20 000 przykładów.
Celem badania jest stworzenie klasyfikatora zdolnego do rozpoznawania liter na podstawie dostarczonych danych. Zbiór treningowy składa się z 16 000 pierwszych liter, a zbiór testowy z 4 000 pozostałych liter.
a) Normalizacja Atrybutów: Wartości atrybutów zostaną znormalizowane, aby doprowadzić je do zakresu (0,1).
b) Wybór Klasyfikatorów:
- k-NN (k-najbliższych sąsiadów)
- Sieć Neuronowa
- Naive Bayes
c) Testowanie Skuteczności:
- Skuteczność każdego z wybranych klasyfikatorów będzie testowana, a ich trafności w klasyfikacji liter będą porównywane.
- Zbiór Treningowy: Pierwsze 16 000 liter (wierszy) w pliku 'letter-recognition.data'.
- Zbiór Testowy: Pozostałe 4 000 liter w tym samym pliku.
Miara oceny skuteczności klasyfikacji będzie oparta na trafności (accuracy) klasyfikatora na zbiorze testowym.
Projekt ma na celu opracowanie efektywnego systemu rozpoznawania liter z wykorzystaniem różnych klasyfikatorów i ocenę ich skuteczności w kontekście klasyfikacji liter alfabetu angielskiego.