Grid search analysis of nu-SVC for text-dependent speaker-identification

Aggarwal, Arpit; Sahay, Tanvi; Bansal, Annu; Chandra, Mahesh

doi:10.1109/indicon.2015.7443790

Cited by 4 publications

(1 citation statement)

References 9 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…The kernel refers to mathematical algorithms needed to change the dimensional space of a specific data set. NuSVC is also based on SVM but uses a particular parameter (Nu) to adjust the number of support vectors required to construct the decision boundary [Chang and Lin 2011, Aggarwal et al 2015, Bao et al 2014. For comprehensive information on all 34 classifiers, please refer to the documentation at scikit-learn.org.…”

Section: Top-performing Classifiersmentioning

confidence: 99%

LookASD – Intelligent System to Assist Healthcare Professionals in Decision-Making About Children with ASD

Reginaldo,

Zampirolli,

Botelho

2023

Anais Do XX Encontro Nacional De Inteligência Artificial E Computacional (ENIAC 2023)

View full text Add to dashboard Cite

O Transtorno do Espectro Autista (TEA) é caracterizado por distúrbios neurodesenvolvimentais que afetam as habilidades sociais, a comunicação e as capacidades de aprendizado das pessoas. Afeta aproximadamente uma em cada 200 pessoas. As pessoas com TEA nascem com o transtorno e não há cura. No entanto, ainda é necessário disponibilizar métodos simples e confiáveis que utilizem dados públicos para auxiliar os profissionais de saúde no seu diagnóstico. Este artigo apresenta o LookASD, um sistema de código aberto que exibe múltiplas imagens para capturar os padrões de atenção visual (mapas focais) de crianças de cinco a 12 anos. Para isso, uma webcam captura os mapas focais e, em seguida, os classificam usando um conjunto de dados públicos composto por mapas focais de crianças com e sem TEA. Na classificação, trinta e quatro métodos de aprendizado de máquina da biblioteca Sklearn foram utilizados no conjunto de dados, sendo 80% para treinamento e 20% para teste. Os classificadores mais precisos foram a Classificação de Vetores de Suporte (SVC), K-Vizinhos Mais Próximos (KNeighborsClassifier) e o Histograma Gradient Boosting (HistGradientBoostingClassifier).

show abstract

Section: Top-performing Classifiersmentioning

confidence: 99%