W pracy przedstawiono wyniki zastosowania drzew decyzyjnych do rozpoznawaniu znaków. Na etapie tworzenia drzew zastosowano metodę wyznaczania optymalnych cech, dzięki której uzyskano bardzo dobre wyniki klasyfikacji zbiorów testowych. Zaproponowany algorytm uczenia drzew nie powoduje powiększenia ich rozmiarów. Udowodniono, że proces uczenia daje lepsze wyniki niż powiększanie zbiorów wykorzystanych przy konstruowaniu drzew. Za pomocą klasyfikatora równoległego zbudowanego w oparciu o kilkadziesiąt drzew decyzyjnych uzyskano rezultat ponad 95% prawidłowych klasyfikacji zbioru testowego.
EN
Results of applying decision trees to printed and handwritten character recognition are presented in the paper. An automatic feature generation method was employed during the construction of the trees, which improved the recognition rate for the testing set. This learning process significantly reduces the drawback of the tree classifiers that is their rapid error accumulation with depth, while it does not influences the size of trees. It was shown that learning gives better results than increasing the sets used to construction of the trees. The recognition rate above 95% was obtained by means of a parallel classifier built of multiple decision trees despite no advanced preprocessing of input characters (like skeletonization or slant reduction) was performed.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.