детектировани и классификация

[mrgloom 242]

Допустим у нас есть какой-то алгоритм для детектирования объектов и мы получаем на выходе результаты true positive и true negative, но они в общей куче и не сортированы на эти группы.

мы можем их сортировать руками и потом добавить в нашу обучающую выборку и еще раз переобучить классификатор.

но если их тысячи на выходе, то мы не можем это сделать руками и мы должны как-то их кластеризовать(или допустим мы можем дать по 1к примеров, а остальное алгоритм должен сделать сам), есть ли тут какой то выход или мы опять возвращаемся к задаче классификации которую и пытаемся решить?

еще вопрос важно ли снабжать классификатор примерами, в которых сам человек плохо уверен?

т.е. по идее которые будут лежать рядом с decision boundary.

еще интересный вопрос, допустим у нас есть рамочный детектор.

если размер рамки m x n и градации пикселей 1 - k, то всего кол-во комбинаций будет

k^(m*n)

если k=2 это бинарная картинка, а если еще потребовать чтобы область должна быть чем то заполнена(не полностью черная или белая), то мы будем иметь еще меньшее кол-во, т.е. мы как бы имеем верхнюю границу.

а для самого классификатора сколько требуется примеров? возможно это как то определяется плотностью распределения точек в многомерном пространстве?

[Smorodov 579]

еще интересный вопрос, допустим у нас есть рамочный детектор.

если размер рамки m x n и градации пикселей 1 - k, то всего кол-во комбинаций будет

k^(m*n)

если k=2 это бинарная картинка, а если еще потребовать чтобы область должна быть чем то заполнена(не полностью черная или белая), то мы будем иметь еще меньшее кол-во, т.е. мы как бы имеем верхнюю границу.

а для самого классификатора сколько требуется примеров? возможно это как то определяется плотностью распределения точек в многомерном пространстве?

Если я правильно понял вопрос, то:

Допустим у нас есть две монеты которые при подбрасывании падают на "решку" с разной вероятностью.

У каждой всего два исхода. Но увеличение количества подбрасываний позволяет нам лучше различить где какая монета. То есть после ряда экспериментов мы получаем статистическую модель, которая при выпадении "решки" или "орла" позволяет сказать что это монета №1 с вероятностью P.