用于探索空间可供性模式的机器学习
机器学习
2020-05-19 v1 机器学习
摘要
本论文使用有监督和无监督数据挖掘技术分析办公楼层平面图，试图更好地理解其几何到功能的关系。在对自动化楼层平面图生成工具的最新进展进行背景回顾后，认为该问题具有相关性：此类工具自 1960 年代以来已有原型，但其搜索空间信息不足，因为很少有形式化方法描述空间可供性。为展示和评估几何与使用的关联，使用视觉图分析的数据训练三个有监督学习器，并与 ZeroR 分类器建立的基线精度比较。这表明对于所考察的办公数据集，视觉平均深度和整合度与使用情况联系最紧密，且有监督学习算法 J48 能对未见过样本正确预测类别性能达 79.5%。论文还包括用无监督学习器对布局案例研究的评估，表明仅基于 VGA 信息无法立即逆向工程出使用以达成强聚类到类别评估。
引用
@article{arxiv.2005.08106,
title = {Machine Learning for Exploring Spatial Affordance Patterns},
author = {Boyana Buyuklieva},
journal= {arXiv preprint arXiv:2005.08106},
year = {2020}
}