机器学习，最好的技术

作者: 扬尘
发布时间: 2025-02-06 07:03:19 (18天前)
转自：

8 条回复

0#
回复此人
那年 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <P> 该方法主要取决于手头的问题。对于任何问题，没有任何方法总是最快的。话虽如此，你还应该记住，一旦你选择了速度算法，你就会开始在准确性上妥协。 </p> <P> 例如，由于您尝试对图像进行分类，因此与手头的训练样本数量相比，可能会有许多功能。在这种情况下，如果你使用内核进行SVM，你最终可能会因为方差太高而过度拟合。因此，您可能希望选择具有高偏差和低方差的方法。使用逻辑回归或线性SVM是一些方法。 </p> <P> 您还可以使用不同类型的正则化或技术（如SVD）来删除对输出预测没有多大贡献的功能，并且只有最重要的功能。换句话说，选择它们之间几乎没有相关性的特征。一旦你这样做，你就可以在不牺牲准确性的情况下加速你的SVM算法。 </p> <P> 希望能帮助到你。 </p> </DIV>

编辑
1#
回复此人
岁爵 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <P> 你的问题很好，并且与分类算法的最新技术有关，正如你所说，分类器的选择取决于你的数据，在图像的情况下，我可以告诉你，有一种方法叫Ada-Boost，读 <a href="http://en.wikipedia.org/wiki/AdaBoost" rel="nofollow"> 这个 </A> 和 <a href="http://www.robots.ox.ac.uk/~az/lectures/cv/adaboost_matas.pdf" rel="nofollow"> 这个 </A> 为了更多地了解它，另一方面，你可以发现很多人正在做一些研究，例如在 <a href="http://Gender%20Classification%20of%20Faces%20Using%20Adaboost%2077"rel="nofollow"> 使用Adaboost进行面部性别分类 </A> [Rodrigo Verschae，Javier Ruiz-del-Solar和Mauricio Correa]他们说： </p> <P> “Adaboost-mLBP优于所有其他基于Adaboost的方法，以及基线方法（SVM，PCA和PCA + SVM）” 看看吧。 </p> </DIV>

编辑
2#
回复此人
那月静好 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <P> 如果您主要关心的是速度，那么您应该看看 <a href="https://github.com/JohnLangford/vowpal_wabbit/wiki" rel="nofollow"> VW </A> 通常用于基于随机梯度下降的训练SVM的算法。 </p> </DIV>

编辑
3#
回复此人
夏花 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <P> 学习机器有一些很好的技巧，如助推器和adaboost。一种分类方法是增强方法。该方法将迭代地操纵数据，然后在每次迭代时由特定的基础分类器对其进行分类，这反过来将构建分类模型。 Boosting在每次迭代中使用每个数据的加权，其权重值将根据要分类的数据的难度级别而改变。虽然方法adaBoost是一种通过使用损失函数指数函数来提高预测精度的一种保证技术。 </p> </DIV>

编辑
4#
回复此人
生如夏花 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <P> 对于此类任务，您可能需要先提取功能。只有在分类后才可行。 </p> </DIV>

编辑
5#
回复此人
部落用户 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <P> 如果特征的数量与训练示例的数量相比较大然后你应该去没有内核的逻辑回归或SVM </p> <P> 如果特征的数量很少并且训练样本的数量是中间的然后你应该使用SVN与高斯内核 </p> <P> 功能的数量很少，训练样例的数量很大使用逻辑回归或没有内核的SVM。 </p> <P> 那是根据斯坦福ML级。 </p> </DIV>

编辑
6#
回复此人
妖邪 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <P> 我认为特征提取和选择很重要。 </p> <P> 对于图像分类，有很多功能，如原始像素， <a href="http://en.wikipedia.org/wiki/Scale-invariant_feature_transform" rel="nofollow"> 筛 </A> 特征，颜色，纹理等。最好选择一些适合你的任务。 </p> <P> 我不熟悉音频分类，但可能有一些特色功能，比如信号的傅里叶变换， <a href="http://en.wikipedia.org/wiki/Mel-frequency_cepstrum" rel="nofollow"> MFCC </A> 。 </p> <P> 用于分类的方法也很重要。除了问题中的方法，KNN也是一个合理的选择。 </p> <P> 实际上，使用什么特征和方法与任务密切相关。 </p> </DIV>

编辑

登录后才能参与评论