features-models.md

Data splits

• Работаем с классификацией по брендам
• У некоторых брендов мало картинок.
• Отобрали только те бренды, у которых больше 100 картинок.
• Получилось 13 брендов для классификации.
• Разделили данные на train/val/test в пропорциях 60/20/20.

Features and models

Base dataset

Feature-model_name	f1_macro	f1_micro	f1_weighted	accuracy
Baseline	0.03	0.29	0.13	0.29
hog-log_reg	0.72	0.76	0.76	0.76
hog-random_forest	0.54	0.66	0.63	0.66
hog-decision_tree	0.34	0.45	0.45	0.45
hog-svm	0.78	0.81	0.81	0.81
hog-sgd	0.72	0.76	0.75	0.76
hog-catboost	0.67	0.73	0.71	0.73
sift-log_reg	0.29	0.38	0.36	0.38
sift-random_forest	0.18	0.38	0.29	0.38
sift-decision_tree	0.17	0.24	0.24	0.24
sift-svm	0.37	0.47	0.44	0.47
sift-sgd	0.26	0.34	0.34	0.34
sift-catboost	0.29	0.44	0.39	0.44
resnet152-log_reg	0.71	0.73	0.73	0.73
resnet152-random_forest	0.41	0.56	0.51	0.56
resnet152-decision_tree	0.27	0.38	0.36	0.38
resnet152-svm	0.76	0.76	0.76	0.76
resnet152-sgd	0.72	0.74	0.74	0.74
resnet152-catboost	0.64	0.7	0.68	0.7

Removed подошвы с помощью UMAP

Feature-model_name	f1_macro	f1_micro	f1_weighted	accuracy
Baseline	0.03	0.29	0.13	0.29
hog-log_reg	0.73	0.77	0.77	0.77
hog-random_forest	0.51	0.66	0.62	0.66
hog-decision_tree	0.34	0.44	0.44	0.44
hog-svm	0.79	0.82	0.82	0.82
hog-sgd	0.71	0.76	0.75	0.76
hog-catboost	0.66	0.73	0.71	0.73
sift-log_reg	0.28	0.39	0.37	0.39
sift-random_forest	0.15	0.41	0.3	0.41
sift-decision_tree	0.16	0.26	0.25	0.26
sift-svm	0.36	0.46	0.43	0.46
sift-sgd	0.25	0.38	0.36	0.38
sift-catboost	0.32	0.48	0.43	0.48
resnet152-log_reg	0.74	0.75	0.75	0.75
resnet152-random_forest	0.4	0.57	0.51	0.57
resnet152-decision_tree	0.28	0.36	0.36	0.36
resnet152-svm	0.74	0.75	0.75	0.75
resnet152-sgd	0.67	0.69	0.7	0.69
resnet152-catboost	0.64	0.71	0.69	0.71

DL на расширенном датасете (с footshop)

model_name	f1_macro	f1_micro	f1_weighted	accuracy
resnet152	0.85	0.88	0.88	0.88
vit	0.83	0.87	0.87	0.87

WandB reports

• VIT Transfromer
• ResNet152