- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
TL;DR:有没有比是-否分类器更复杂的分类器?
我首先要说的是,我没有正在从事的具体项目,这更多的是我一直想知道的技术问题。
出于某种原因,我曾开发过一些机器学习应用程序。所有这些项目都旨在将数据分类为 N 个类别之一,并且它们都使用 N 个是/否分类器(如果这就是它们的名称)。每个分类器都会给一段数据一些分数(0 到 1,或 -1 到 1),该分数对应于该分类器训练的类别的可能性。然后由程序使用这些分数以某种方式确定最佳分类。
我在名义数据和连续数据上都看到了这一点,并且最终分类的实现不同。例如,我曾经写过一个小文档语言标识符,其中分类器接受英语、法语、德语等的训练,得分最高的分类器获胜。这对我来说很有意义。
另一个项目对连续尺度的数据进行分类,大部分是从 0 到 1.2,但有些数据高达 6。我们制作了 6 个左右的分类器,并将它们分配给 bin:0-0.2、0.2-0.4,...以及1.0及以上。一旦所有分类器返回某些数据,我们就会对分数进行二次拟合,并将峰值作为结果。这让我感到不舒服,但我不知道为什么。
似乎应该有一种更好的方法,而不是仅仅轮询一组是/否分类器并尝试根据某种算法做出决定。举一个愚蠢的例子,考虑一个系统来决定图片显示的是洋葱还是蘑菇。 (这实际上是我想到的第一件事。)我认为一个物体越像洋葱,它看起来就越不像蘑菇,从本体论的角度来看,我想要一种分类方法这反射(reflect)了这一点。如果我有两个是-否分类器,没有考虑到洋葱性与蘑菇性相反,那么对于从这两个分类器中都获得高分的图片我该怎么办?有没有办法获得一个单一的蘑菇或洋葱分类器,它以某种方式知道这两类植被之间没有重叠?或者我可以依靠真实数据训练是/否分类器来反射(reflect)这一点,而无需任何特殊干预吗?
最佳答案
有两大分类学派:
1) 判别性 - 在这里,我们尝试从训练示例中学习决策边界。然后根据测试示例位于空间的哪个部分(由决策边界确定),我们为其分配一个类。最先进的算法是 SVM ,但是如果您的数据无法用线分隔(例如可以用圆分隔),则需要内核。
针对多类对 SVM 的修改(执行此操作的方法有很多,这里是一种):
令第 j 个(k 个)训练示例 xj 位于(N 个)类别 i 中。那么它的标签yj = i。
a) 特征向量:如果 xj = 属于第 i 类(N 类)的训练样本,则与 xj 对应的特征向量为 phi(xj,yj) = [0 0 ... X .. 0]
注意:X 处于第 i 个“位置”。 phi 总共有 D*N 个分量,其中每个示例都有 D 个特征,例如洋葱图片的灰度整数 D = 640*480
注意:对于其他类 p,即 y = p,phi(xj, y) 在特征向量中的位置 p 处具有“X”,其他全部为零。
b) 约束:最小化 W^2(如 Vanilla SVM),使得:
1) 对于除 y1 之外的所有标签 y:W.phi(x1,y1) >= W.phi(x1, y) + 1
和 2) 对于除 y2 之外的所有标签 y:W.phi(x2,y2) >= W.phi(x2, y) + 1
...
和 k) 对于除 yk 之外的所有标签 y:W.phi(xk, yk) >= W.phi(xk, y) + 1
2) 生成 - 这里我们假设(这可能是无稽之谈)每个示例都是由该类别的概率分布生成的(例如男性面孔的高斯分布和女性面孔的高斯分布)这在实践中效果很好)并且我们尝试通过计算与该类对应的训练示例的均值、协方差来学习每个分布的参数(均值、协方差)。然后,对于测试示例,我们会看到哪种分布给出最高概率并相应地进行分类。
都不使用 N 个是/否分类器。
判别方法在分类实践中效果更好,但无法对概率答案进行建模。它还需要大量的训练示例来使优化步骤(最小化 W^2)收敛。有一种技术可以将两者结合起来,避免使用内核,称为最大熵判别。
回答您的其他问题:
what do I do about a picture that gets high scores from both? Is there some way to get a single, mushroom-or-onion classifier that somehow knows that there is no overlap between these two classes of vegetation?
这更多的是输入数据的问题,而不是学习算法本身的问题,它只适用于数字矩阵。它可以反射(reflect)领域中的噪音/不确定性(也就是人类可以完美地区分蘑菇和洋葱吗??)。这可能通过更大/更好的(训练)数据集来解决。或者,在生成情况下,您可能选择了一个糟糕的分布来建模。
大多数人会在分类之前在称为特征选择的阶段对原始图像进行预处理。一种特征选择技术可能是捕捉蔬菜的轮廓,因为蘑菇和洋葱具有不同的形状,图像的其余部分可能是“噪声”。在自然语言处理等其他领域,您可以删除介词,并保留不同名词的计数。但有时性能可能不会提高,因为学习算法可能不会考虑所有特征。这实际上取决于您想要捕捉的内容 - 涉及创造力。特征选择算法也存在。
机器学习的一个很好的资源是 Tony Jebara's courses哥伦比亚大学
关于language-agnostic - 为了将数据分类为 N 个类别,是否有使用 N 个是/否分类器的替代方法?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/7762167/
我正在尝试使用 Pandas 和 scikit-learn 在 Python 中执行分类。我的数据集包含文本变量、数值变量和分类变量的混合。 假设我的数据集如下所示: Project Cost
我想要一种图形化且有吸引力的方式来表示二进制数据的列总和,而不是表格格式。我似乎无法让它发挥作用,尽管有人会认为这将是一次上篮。 数据看起来像这样(我尝试创建一个可重现的示例,但无法让代码填充 0 和
我有一个简单的类别模型: class Category(models.Model): name = models.CharField(max_length=200) slug = mo
我正在开发一个知识系统,当用户进入一道菜时,该系统可以返回酒。我的想法是根据用户的输入为每个葡萄酒类别添加分数,然后显示最适合的葡萄酒类别的前 3 个。例如,如果有人输入鱼,那么知识库中的所有红葡萄酒
我目前正在研究流失问题的预测模型。 每当我尝试运行以下模型时,都会收到此错误:至少一个类级别不是有效的 R 变量名称。这将在生成类概率时导致错误,因为变量名称将转换为 X0、X1。请使用可用作有效 R
如何对栅格重新分类(子集)r1 (与 r2 具有相同的尺寸和范围)基于 r2 中的以下条件在给定的示例中。 条件: 如果网格单元格值为 r2是 >0.5 ,保留>0.5中对应的值以及紧邻0.5个值的相
我想知道在 java 中进行以下分类的最佳方法是什么。例如,我们有一个简单的应用程序,其分类如下: 空气 -----电机类型 -----------平面对象 -----非电机型 -----------
这是一个非常基本的示例。但我正在做一些数据分析,并且不断发现自己编写非常类似的 SQL 计数查询来生成概率表。 我的表被定义为值 0 表示事件未发生,而值 1 表示事件确实发生。 > sqldf(
假设我有一组护照图像。我正在开展一个项目,我必须识别每本护照上的姓名,并最终将该对象转换为文本。 对于标签(或分类(我认为是初学者))的第一部分,每本护照上都有姓名,我该怎么做? 我可以使用哪些技术/
我有这张图片: 我想做的是在花和树之间对这张图片进行分类,这样我就可以找到图片中被树木覆盖的区域,以及被那些花覆盖的区域。 我在想这可能是某种 FFT 问题,但我不确定它是如何工作的。单个花的 FFT
我的数据集有 32 个分类变量和一个数值连续变量(sales_volume) 首先,我使用单热编码 (pd.get_dummies) 将分类变量转换为二进制,现在我有 1294 列,因为每一列都有多个
我正在尝试学习一些神经网络来获得乐趣。我决定尝试从 kaggle 的数据集中对一些神奇宝贝传奇卡进行分类。我阅读了文档并遵循了机器学习掌握指南,同时阅读了媒体以尝试理解该过程。 我的问题/疑问:我尝试
我目前正在进行推文情绪分析,并且有几个关于步骤的正确顺序的问题。请假设数据已经过相应的预处理和准备。所以这就是我将如何进行: 使用 train_test_split(80:20 比例)停止测试数据集。
一些上下文:Working with text classification and big sparse matrices in R 我一直在研究 text2vec 的文本多类分类问题。包装和 ca
数据 我有以下(简化的)数据集,我们称之为 df从现在开始: species rank value 1
我一直在尝试创建一个 RNN。我总共有一个包含 1661 个单独“条目”的数据集,每个条目中有 158 个时间序列坐标。 以下是一个条目的一小部分: 0.00000000e+00 1.9260968
我有一个关于机器学习的分类和回归问题。第一个问题,以下数据集 http://it.tinypic.com/view.php?pic=oh3gj7&s=8#.VIjhRDGG_lF 我们可以说,数据集是
我用1~200个数据作为训练数据,201~220个作为测试数据格式如下:3 个类(类 1、类 2、类 3)和 20 个特征 2 1:100 2:96 3:88 4:94 5:96 6:94 7:72
我有 2 个基于多个数字特征(例如 v1….v20)的输出类别(好和差)。 如果 v1、v2、v3 和 v4 为“高”,则该类别为“差”。如果 v1、v2、v3 和 v4 为“低”,则该类别为“好”
我遇到了使用朴素贝叶斯将文档分类为各种类别问题的问题。 实际上我想知道 P(C) 或我们最初掌握的类别的先验概率会随着时间的推移而不断变化。例如,对于类(class) - [音乐、体育、新闻] 初始概
我是一名优秀的程序员,十分优秀!