Thesis-CST-Report/Annexes/Models.tex

\chapter{Modèles utilisés}

\label{appendices_models_architecture}

\section{M1 : SVM classique}

Nous utilisons le fameux modèle SVM (Support Vector Machine) pour prédire le bruit et non les images bruyantes. SVM est principalement utilisé et fonctionne très bien pour les problèmes NR-IQA (No Reference Image Quality Assessment) avec ces paramètres :

\begin{itemize}
	\item Kernel : \textit{rbf}
	\item $C \in \{0.001, 0.01, 0.1, 1, 10, 100, 1000\}$
	\item $\gamma \in \{0.001, 0.01, 0.1, 1, 5, 10, 100\}$
	\item $cv = 10$ (paramètre de validation croisée pour les données d'entraînement, ce qui augmente la précision et évite le surapprentissage)
\end{itemize}

Ensuite, tous ces paramètres sont testés à l'aide du principe de recherche par grille et le meilleur modèle est obtenu.

\vspace{2mm}
\section{M2 : Voting classifier avec 3 estimateurs}

Nous proposons également un modèle Voting classifier (ensemble de modèles) qui est composé de 3 sous modèles :

\begin{itemize}
	\item \textbf{\textit{SVM}} avec un kernel RBF comme présenté précédemment.
	\item \textbf{\textit{Random Forest}} avec 100 estimateurs
	\item \textbf{\textit{Logistic Regression}} avec le noyau \textit{liblinear} et le paramètre \textit{ovr} pour la classification
\end{itemize}

\vspace{2mm}
\section{M3 : Voting classifier avec 5 estimateurs}

Ce nouveau modèle est aussi un Voting classifier et est composé de 5 sous modèles :

\begin{itemize}
	\item \textbf{\textit{SVM}} avec le RBF Kernel comme présenté précédemment
	\item \textbf{\textit{Random Forest}} avec 100 estimaeurs
	\item \textbf{\textit{Logistic Regression}} avec le noyau \textit{liblinear} et le paramètre \textit{ovr} pour la classification
	\item \textbf{\textit{KNeighbors Classifier}} avec seulement deux voisins (bruité, non bruité)
	\item \textbf{\textit{Gradient Boosting Classifier}} avec 100 estimateurs, une fonction de perte réglée sur \textit{déviance} et \textit{pas d'apprentissage} de 1.0
\end{itemize}