opencv - 机器学习，经过训练，它到底是如何得到预测的呢？开放式计算机视觉

Question

那么，在使用层、节点和权重训练机器学习算法之后，它到底是如何获得输入向量的预测的呢？我正在使用多层感知器(神经网络)。

根据我目前的理解，您从要预测的输入向量开始。然后将其发送到隐藏层，在隐藏层中将偏差项添加到每个数据点，然后添加每个数据点的乘积和每个节点的权重(在训练中找到)的总和，然后通过训练中使用的激活函数相同。对每个隐藏层重复此操作，然后对输出层执行相同的操作。然后输出层中的每个节点都是您的预测。这是正确的吗？

使用 opencv 执行此操作时我感到很困惑，因为在 guide 中它说当你使用函数预测时:

If you are using the default cvANN_MLP::SIGMOID_SYM activation function with the default parameter values fparam1=0 and fparam2=0 then the function used is y = 1.7159*tanh(2/3 * x), so the output will range from [-1.7159, 1.7159], instead of [0,1].

但是，在训练时，文档中也说明了SIGMOID_SYM使用激活函数:f(x)= beta*(1-e^{-alpha x})/(1+e^{-alpha x} )其中 alpha 和 beta 是用户定义的变量。

所以，我不太确定这意味着什么。 tanh 函数在哪里发挥作用？有人可以解决这个问题吗？感谢您抽出时间!

找到此内容的文档是 here :对 tanh 的引用位于函数描述 predict 下。页面顶部的 S 形图对激活函数的引用。

由于这是一个一般性问题，而不是特定于代码，因此我没有发布任何代码。

Answer 1

我建议您阅读有关您正在使用或计划使用的适当算法的信息。老实说，没有一种确定的算法可以解决问题，但您可以探索您拥有哪些功能以及您需要什么。

算法如何进行预测完全取决于算法的选择。支持向量机(SVM)通过在特征空间上拟合超平面并使用一些度量(例如距离)进行学习来执行预测，然后使用学习到的模型进行预测。另一方面，KNN 使用简单的最近邻测量进行预测。

请针对您到底需要什么做更多的工作，并通读研究论文以获得正确的理解。预测并不涉及魔法，而是涉及数学公式。