Baixe o app para aproveitar ainda mais
Prévia do material em texto
Prof. Dr. Anderson Rocha anderson.rocha@ic.unicamp.br http://www.ic.unicamp.br/~rocha Reasoning for Complex Data (RECOD) Lab. Institute of Computing, Unicamp Av. Albert Einstein, 1251 - Cidade Universitária CEP 13083-970 • Campinas/SP - Brasil Análise Forense de Documentos Digitais Organização A. Rocha, 2012 – Análise Forense de Documentos Digitais Organização ‣ Conceitos de Imagem Digital ‣ Operações com Imagens ‣ Aprendizado de Máquina 3 A. Rocha, 2012 – Análise Forense de Documentos Digitais Organização ‣ Aprendizado de Máquina • Supervisionado • Não-Supervisionado • Semi-Supervisionado ‣ Avaliação e Comparação de Métodos 4 Imagem A. Rocha, 2012 – Análise Forense de Documentos Digitais Imagem ‣ De acordo com [Gomes & Velho 1996], para trabalharmos com imagens, devemos estabelecer um universo matemático no qual seja possível definir diversos modelos abstratos destas ‣ Em seguida, precisamos criar um universo de representação onde procuramos esquemas que permitam uma representação discreta desses modelos 6 A. Rocha, 2012 – Análise Forense de Documentos Digitais Imagem ‣ O objetivo da representação discreta desses modelos é codificar a imagem no computador ‣ Quando observamos uma fotografia, ou uma cena no mundo real, recebemos de cada ponto do espaço um impulso luminoso que associa uma informação de cor a esse ponto 7 A. Rocha, 2012 – Análise Forense de Documentos Digitais Imagem ‣ Nesse sentido, podemos definir uma imagem contínua (não discreta) como a aplicação onde é uma superfície e é um espaço vetorial ‣ Na maioria das aplicações, é um subconjunto plano e é um espaço de cor 8 I : U ! C U ⇢ R3 C U C A. Rocha, 2012 – Análise Forense de Documentos Digitais Imagem ‣ A função na definição é chamada de função imagem ‣ O conjunto é chamado suporte da imagem ‣ O conjunto de valores de , que é um subconjunto de , é chamado de conjunto de valores da imagem 9 I U I C A. Rocha, 2012 – Análise Forense de Documentos Digitais Imagem ‣ Quando é um espaço de cor de dimensão 1, dizemos que a imagem é monocromática ou em tons de cinza ‣ A representação mais comum de uma imagem espacial consiste em tomar um subconjunto discreto do domínio da imagem, uma espaço de cor associado a um dispositivo gráfico e representar a imagem pela amostragem da função imagem 10 C U 0 ⇢ U C I ! U 0 A. Rocha, 2012 – Análise Forense de Documentos Digitais Imagem ‣ Cada ponto do subconjunto discreto é chamado de elemento da imagem ou pixel ‣ Para a representação em computador, devemos também trabalhar com modelos onde a função imagem toma valores em um subconjunto discreto do espaço de cor ‣ Esse processo de discretização é chamado de quantização 11 (xi, yi) U 0 I C A. Rocha, 2012 – Análise Forense de Documentos Digitais Imagem ‣ O caso mais utilizado de discretização espacial de uma imagem consiste em tomar o domínio como sendo um retângulo e discretizar esse retângulo usando os pontos de um reticulado bidimensional ‣ Dessa forma a imagem pode ser representada de forma matricial por uma matriz 12 A(m⇥n) = (aij = (I(xi, yj)) A. Rocha, 2012 – Análise Forense de Documentos Digitais Imagem ‣ Cada elemento e da matriz representa o valor da função imagem no ponto de coordenadas do reticulado ‣ Dessa forma, cada ponto é um vetor do espaço de cor representando a cor do pixel na coordenada da imagem 13 aij , i = 1, . . . ,m j = 1, . . . n I (xi, yj) aij (i, j) A. Rocha, 2012 – Análise Forense de Documentos Digitais Imagem ‣ Se cada ponto possui três valores associados e cada valor precisa de oito bits para ser representado, então cada pixel dessa imagem pode ser representado com 24 bits ‣ A imagem é dita de 24 bits ‣ Se cada pixel também codifica transparência, a imagem tem um quarto canal, chamado alfa, tornando-se uma imagem de 32 bits 14 A. Rocha, 2012 – Análise Forense de Documentos Digitais Imagem 15 136 6 Digital Images Fig. 6.1. Abstraction levels in the representation of an image. Note that these levels will be realized concretely in different ways in an image processing system. For this reason, in order to obtain a unified scheme for image processing, we must use transformations to pass from one level to another, and we must also be able to manipulate descriptions on a single level (see Chapter 2). 6.2 The Spatial Model Although there are several mathematical models appropriate for the descrip- tion of images, we will stress in this book the so-called spatial model, which is the one best suited for computer graphics applications. 6.2.1 Continuous Images When we look at a photograph or a real-life scene, we receive from each point in space a light impulse, which associates color information to that point. 136 6 Digital Images Fig. 6.1. Abstraction levels in the representation of an image. Note that these levels will be realized concretely in different ways in an image processing system. For this reason, in order to obtain a unified scheme for image processing, we must use transformations to pass from one level to another, and we must also be able to manipulate descriptions on a single level (see Chapter 2). 6.2 The Spatial Model Although there are several mathematical models appropriate for the descrip- tion of images, we will stress in this book the so-called spatial model, which is the one best suited for computer graphics applications. 6.2.1 Continuous Images When we look at a photograph or a real-life scene, we receive from each point in space a light impulse, which associates color information to that point. 136 6 Digital Images Fig. 6.1. Abstraction levels in the representation of an image. Note that these levels will be realized concretely in different ways in an image processing system. For this reason, in order to obtain a unified scheme for image processing, we must use transformations to pass from one level to another, and we must also be able to manipulate descriptions on a single level (see Chapter 2). 6.2 The Spatial Model Although there are several mathematical models appropriate for the descrip- tion of images, we will stress in this book the so-called spatial model, which is the one best suited for computer graphics applications. 6.2.1 Continuous Images When we look at a photograph or a real-life scene, we receive from each point in space a light impulse, which associates color information to that point. Representação Contínua Representação Discreta Representação Simbólica amostragem codificação decodificação reconstrução © G om es & V el ho A. Rocha, 2012 – Análise Forense de Documentos Digitais Espaços de Cor ‣ O espaço de cor pode variar de acordo com o dispositivo de exibição (e.g., monitor, impressora) ‣ Espaços de cor • RGB (Vermelho, Verde, Azul) • CMYK (Ciano, Magenta, Amarelo, Preto) • HSV (Matiz, Saturação e Brilho) • etc. 16 A. Rocha, 2012 – Análise Forense de Documentos Digitais Espaço de cor RGB ‣ O propósito principal do sistema RGB é a reprodução de cores em dispositivos eletrônicos • monitores de TV e computador • datashows • scanners • câmeras digitais • fotografia tradicional 17 © W ik ip ed ia .o rg A. Rocha, 2012 – Análise Forense de Documentos Digitais Imagem 18 © A . R oc ha A. Rocha, 2012 – Análise Forense de Documentos Digitais Imagem 19 © A . R oc ha ( M on ta ge m ) * The Persistence of Memory bySalvador Dali A. Rocha, 2012 – Análise Forense de Documentos Digitais Espaço de cor CMYK ‣ Modelo de cores subtrativas ‣ Contraposição ao RGB ‣ Apropriado para impressoras ‣ K vem de keyed (alinhamento) da placa de impressão de cor preta com as outras 20 © W ik ip ed ia .o rg © Wikipedia.org A. Rocha, 2012 – Análise Forense de Documentos Digitais Espaço de cor HSV ‣ Matiz (tonalidade): verifica o tipo da cor (abrange todas as cores do espectro) ‣ Saturação (pureza): valores baixos são próximos do cinza. Valores altos são próximos da cor pura ‣ Brilho: define o brilho (intensidade) da cor 21 © W ik ip ed ia .o rg Operações com Imagens A. Rocha, 2012 – Análise Forense de Documentos Digitais Quantização ‣ Mapeamento dos números reais em valores discretos ‣ Tipicamente utiliza-se bytes (256 valores) ou inteiros curtos (65536 valores) 23 A. Rocha, 2012 – Análise Forense de Documentos Digitais Warping 24 ‣ Modifica o “domínio” da função de imagem. A. Rocha, 2012 – Análise Forense de Documentos Digitais Transformações - Atributos 25 blur arestas canal A. Rocha, 2012 – Análise Forense de Documentos Digitais Decomposição em Canais de Cores ‣ Quando separamos a imagem em suas cores básicas representadas no espaço de cores ‣ Se o espaço de cores utilizado é um espaço RGB, temos os componentes vermelho (Red), verde (Green), e azul (Blue); 26 C0 � C A. Rocha, 2012 – Análise Forense de Documentos Digitais Decomposição Wavelet 27 D1 D3 D2 L V1 H1 H2 V2 V3 H3 © A. Rocha © A. Rocha A. Rocha, 2012 – Análise Forense de Documentos Digitais Decomposição em Planos de Bits ‣ Quando decompomos a imagem em seus planos de bits ‣ Por exemplo, após a decomposição da imagem de 24 bits em seus três canais de cores (R,G,B), podemos ainda, fazer uma decomposição por planos de bits. ‣ Cada canal de cor possui 8 bits e possui 8 planos de bits por canal de cor 28 A. Rocha, 2012 – Análise Forense de Documentos Digitais 29 * Decomposição da imagem em canais de bits © A . R oc ha Decomposição em Planos de Bits Nomenclaturas A. Rocha, 2012 – Análise Forense de Documentos Digitais Nomenclatura ‣ Diferentes áreas tem nomes distintos para coisas parecidas • Aprendizado de Máquina • Reconhecimento de Padrões • Aprendizado Estatístico • Mineração de Dados 31 Aprendizado de Máquina A. Rocha, 2012 – Análise Forense de Documentos Digitais Aprendizado de Máquina ‣ Aprendizado de Máquina é uma área da Inteligência Artificial concentrada no desenvolvimento de técnicas que permitem que computadores sejam capazes de aprender com a experiência [Mitchell 1997] ‣ Extração de informações e extrapolação do conhecimento a partir de dados 33 A. Rocha, 2012 – Análise Forense de Documentos Digitais Aprendizado de Máquina ‣ Alguns problemas que utilizam aprendizado de Máquina [Mitchell 1997] [Friedman et al. 2001] • reconhecimento de caracteres • reconhecimento da fala • predição de ataques cardíacos • detecção de fraudes em cartões de créditos 34 A. Rocha, 2012 – Análise Forense de Documentos Digitais Aprendizado de Máquina ‣ Na solução desses problemas, podemos ter classificadores fixos ou baseados em aprendizado, que, por sua vez, pode ser supervisionado ou não-supervisionado [Friedman et al. 2001] 35 A. Rocha, 2012 – Análise Forense de Documentos Digitais ‣ Podemos ver um classificador, matematicamente, como um mapeamento a partir de um espaço de características X para um conjunto discreto de rótulos (labels) Y ‣ Em IA, um classificador de padrões é um tipo de motor de inferência que implementa estratégias eficientes para computar relações de classificação entre pares de conceitos ou para computar relações entre um conceito e um conjunto de instâncias [Duda et al. 2000] 36 Definição – Classificadores A. Rocha, 2012 – Análise Forense de Documentos Digitais Classificadores ‣ Classificadores podem ser • Supervisionados • Semi-Supervisionados • Não-Supervisionados 37 A. Rocha, 2012 – Análise Forense de Documentos Digitais Classificadores ‣ Classificadores supervisionados consistem em técnicas em que procuramos estimar uma função de classificação a partir de um conjunto de treinamento ‣ O conjunto de treinamento consiste de pares de valores de entrada X, e sua saída desejada Y [Friedman et al. 2001] 38 f A. Rocha, 2012 – Análise Forense de Documentos Digitais Classificadores ‣ Valores observados no conjunto X são denotados por , isto é, é a i-ésima observação em X ‣ O número de variáveis que constituem cada uma das entradas em em X é p ‣ Assim, X tem n observações, chamados de vetores de características 39 xi xi A. Rocha, 2012 – Análise Forense de Documentos Digitais Classificadores ‣ Cada vetor de entrada é composto por p graus de liberdade (dimensões ou variáveis) ‣ A saída da função pode ser um valor contínuo (regressão) ou pode predizer a etiqueta (label) de um objeto de entrada (classificação) 40 f A. Rocha, 2012 – Análise Forense de Documentos Digitais Classificadores ‣ A tarefa do aprendizado é predizer o valor da função para qualquer objeto de entrada que seja válido após ter sido suficientemente treinado com um conjunto de exemplos [Bishop 2006] ‣ Alguns exemplos de classificadores supervisionados são • Support Vector Machines • Linear Discriminant Analysis, • Boosting 41 A. Rocha, 2012 – Análise Forense de Documentos Digitais ‣ Um outro grupo de técnicas de aprendizado, não utilizam exemplos de treinamento marcados (classe conhecida) ‣ Conhecidos como técnicas para aprendizado não-supervisionado ‣ Esta forma de aprendizado, na maioria das vezes, trata o seu conjunto de entrada como um conjunto de variáveis aleatórias 42 Aprendizado Não-Supervisionado A. Rocha, 2012 – Análise Forense de Documentos Digitais Aprendizado Não-Supervisionado ‣ Um modelo de distribuição conjunta (joint distribution model) é então construído para a representação dos dados ‣ Desta forma, o objetivo deste aprendizado é avaliar como os dados estão organizados e agrupados [Friedman et al. 2001] ‣ Técnicas de Maximização de Esperança [Baeza-Yates 2003], por exemplo, podem ser utilizadas para aprendizado não-supervisionado 43 A. Rocha, 2012 – Análise Forense de Documentos Digitais Aprendizado Semi-Supervisionado ‣ Um outro grupo de técnicas de aprendizado envolve abordagens mistas • Supervisionado • Não Supervisionado ‣ São as técnicas Semi-Supervisionadas 44 Modelagem de Problemas A. Rocha, 2012 – Análise Forense de Documentos Digitais Modelagem de Problemas ‣ Problemas são descritos por variáveis ‣ Dois tipos • Reais • Categóricas 46 A. Rocha, 2012 – Análise Forense de Documentos Digitais Modelagem de Problemas ‣ Como transitar entre os dois tipos de variáveis? ‣ É possível “converter” uma representação em outra? 47 A. Rocha, 2012 – Análise Forense de Documentos Digitais Modelagem de Problemas ‣ Simplicidade vs. Complexidade ‣ O que é realmente importante? ‣ Precisamos realmente de todos os dados possíveis para tomar uma decisão? 48 A. Rocha, 2012 – Análise Forense de Documentos Digitais Modelagem de Problemas ‣ Dimensão do vetor de características tem efeitos colaterais importantes: ‣ Dimensão alta • Distâncias médias ficam grandes • Dados ficam esparsos ‣ Maldição da Dimensionalidade 49 Aprendizado Supervisionado (Primeiros Passos) A. Rocha, 2012 – Análise Forense deDocumentos Digitais Aprendizado Supervisionado ‣ Dados para Aprendizado Supervisionado ‣ “Give me more data” ‣ Classificação vs. Regressão 51 A. Rocha, 2012 – Análise Forense de Documentos Digitais Aprendizado Supervisionado ‣ Será que quanto mais complexo nosso modelo de “predição” melhor o resultado? 52 A. Rocha, 2012 – Análise Forense de Documentos Digitais Exemplo – KNN ‣ K-Vizinhos mais Próximos (KNN) ‣ Um exemplo de técnica baseada em instâncias. ‣ Não há “aprendizado” • decisões são feitas para cada instância 53 Rocha & Goldenstein, 2010 – CSI: Análise Forense de Documentos Digitais KNN – Elements of Statistical Learning c©Hastie, Tibshirani & Friedman 2001 Chapter 2 1-Nearest Neighbor Classifier .. .. . . . . . . .. . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . .. . . . . . . . . . . . . . . . . . . .. . . . . . . . . .. . . . . . . . . o o ooo o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o oo o oo o o o oo o o o o o o o o o o o o o o o o o o o o o o oo o o o o o o o o o o o o o o o o o o o o o o o o ooo o o o oo o o o o o o o o oo o o oo ooo o o oo o o o o o o o o o o o o o o o o o o o oo o o o o o o oo o o o oo o o o o o o o o o o Figure 2.3: The same classification example in two dimensions as in Figure 2.1. The classes are coded as a binary variable (GREEN = 0, RED = 1), and then predicted by 1-nearest-neighbor classification. 54 © J. F ri ed m an e t al . k = 1 Rocha & Goldenstein, 2010 – CSI: Análise Forense de Documentos Digitais KNN – 55 © J. F ri ed m an e t al . Elements of Statistical Learning c©Hastie, Tibshirani & Friedman 2001 Chapter 2 15-Nearest Neighbor Classifier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . ... . . .. .. . . . .. . .. . . . . . . .. . . . . .. . . . . . . . . . . . . . .. . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o o ooo o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o oo o oo o o o oo o o o o o o o o o o o o o o o o o o o o o o oo o o o o o o o o o o o o o o o o o o o o o o o o ooo o o o oo o o o o o o o o oo o o oo ooo o o oo o o o o o o o o o o o o o o o o o o o oo o o o o o o oo o o o oo o o o o o o o o o o Figure 2.2: The same classification example in two dimensions as in Figure 2.1. The classes are coded as a binary variable (GREEN = 0, RED = 1) and then fit by 15- nearest-neighbor averaging as in (2.8). The predicted class is hence chosen by majority vote amongst the 15- nearest neighbors. k = 15 Avaliação e Comparação Rocha & Goldenstein, 2010 – CSI: Análise Forense de Documentos Digitais Avaliação e Comparação ‣ Viés e Variância ‣ Treinamento e Teste ‣ Matriz de Confusão ‣ Métricas e Critérios 57 Rocha & Goldenstein, 2010 – CSI: Análise Forense de Documentos Digitais Avaliação e Comparação ‣ Conjuntos de validação e teste ‣ Validação cruzada 58 Rocha & Goldenstein, 2010 – CSI: Análise Forense de Documentos Digitais Curvas ROC 59 ‣ Especificidade • E = TN / (TN + FP) ‣ Sensitividade • S = TP / (TP + FN) ‣ (Sensitividade) vs. (1 - Especificidade) = Curva Característica de Operação (ROC) Rocha & Goldenstein, 2010 – CSI: Análise Forense de Documentos Digitais Curvas ROC 60 © W ik ip ed ia .o rg Referências A. Rocha, 2012 – Análise Forense de Documentos Digitais Referências 1. [Baeza-Yates 2003] R. Baeza-Yates. Clustering and Information Retrieval. Kluwer Academic Publishers. 1 edition. 2. [Bishop, 2006] C. M. Bishop. Pattern Recognition and Machine Learning. Springer, 1 edition, 2006. 3. [Duda et al. 2001] R. O. Duda, P. E. HART and D. G. STORK. Pattern Classification. Wiley-Interscience, 2, 2000. 4. [Friedman et al. 2001] J. Friedman, T. Hastie, and R. Tibshirani. The Elements of Statistical Learning. Springer, 1 edition, 2001. 5. [Gomes & Velho, 1996] J.Gomes L. Velho. Computação Gráfica: Imagem. IMPA-SBM, 1. 6. [Gonzalez & Woods, 2007] R. Gonzalez and R. Woods. Digital Image Processing. Prentice-Hall, 3 edition. 7. [Mitchell 1997] T. M. Mitchell. Machine Learning. McGraw-Hill, 1 edition, 1997. 62 Obrigado!
Compartilhar