Перейти к содержимому
Compvision.ru
mrgloom

общий классификатор или несколько частных?

Recommended Posts

кстати еще вопрос, если мы имеем большую внутриклассовую различность в обучающей выборке, то общий классификатор построенный таким образом будет плохо работать? возможно стоит кластеризовать обучающую выборку и построить N классификаторов, которые будут работать независимо\последовательно?

если рассматривать нейросети, то вроде как получается, что имеем несколько обученных сетей, а потом просто объединяем их на выходной слой, т.е. просто добавляется еще 1 слой.

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах

Что то похожее, как раз сейчас, на coursera.org на курсе нейронных сетей идет.

То есть, для каждого класса (фрагмент сети для которого обучается отдельно) формируется детектор общих признаков (автоэнкодер).

Затем выходы этих детекторов (автоэнкодеров) идут на общий скрытый слой, и с выхода этого скрытого слоя снимаем метку класса.

Думаю такой способ обучения быстрее чем обучение всей нейронки сразу, хотя способность к кластеризации будет примерно такая же.

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах
То есть, для каждого класса (фрагмент сети для которого обучается отдельно) формируется детектор общих признаков (автоэнкодер).

не понял о чём это.

обучать несколько сразу выгодно тем, что можно параллелить(хотя нейросети вроде и так параллелятся) или даже просто добавлять новые нейросети с новыми классами к старой архитектуре сколько влезет, но как бы ничего особенного то тут и нет, просто получается набор нейросетей.

а вот такой вопрос, что например если у нас есть данные и мы хотим обучить нейросеть, но данные сильно различаются(большая внутрикласовая разница)? в таком случае все равно можно обучать одну или надо всё таки подготавливать данные(подразбитие на более узкие классы)?

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах

Если большой разброс и данные не пересекаются с данными другого класса, то думается и так должно обучиться хорошо.

Если пересекаются, то тут, вероятно, надо EM алгоритм использовать, чтобы узнать степень принадлежности к классу, либо добавить еще признаков.

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах

ну вот например фронтальные и не фронтальные лица, в итоге имеем лица повернутые на все возможные углы, я думаю пересечение будет большим.

я не очень понимаю, почему пишут что будет плохо работать если обучать классификатор на всем этом массиве сразу, ведь получается это 1 класс будет?

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах

В случае с фронтальными и не фронтальными лицами, получится что класс включает два плотных кластера, соединенные между собой узким многомерным каналом.

Вероятно, что обучение проходит намного проще, если данные имеют вид унимодального кластера, поэтому так и делают.

Обучаем кластеры, затем объединяем классификаторы. Правда при этом теряем точность классификации на данных, попадающих в многомерный канал соединяющий кластеры.

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах

ну так это нормальная практика кластеризовать сырые данные перед тем как обучать? просто я такого еще вроде не видел.

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах

PCA/ICA и последующая кластеризация входят в обычную предобработку данных.

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах

Создайте учётную запись или войдите для комментирования

Вы должны быть пользователем, чтобы оставить комментарий

Создать учётную запись

Зарегистрируйтесь для создания учётной записи. Это просто!

Зарегистрировать учётную запись

Войти

Уже зарегистрированы? Войдите здесь.

Войти сейчас


  • Сейчас на странице   0 пользователей

    Нет пользователей, просматривающих эту страницу

×