mrgloom 242 Жалоба Опубликовано August 10, 2011 не очень понятна теоретическая основа. допустим есть объекты N классов, сгруппированные вручную(на них как я понимаю формируется обучение) у этих объектов есть признаки - любые ли это могут быть признаки? или должны удоволетворять каким то дополнительным условиям? должны ли эти классы для обучения заведомо хорошо разделимы? если у них большая похожесть? или какие то шумы или в обучающий класс записали неправильный объект? Поделиться сообщением Ссылка на сообщение Поделиться на других сайтах
Smorodov 579 Жалоба Опубликовано August 10, 2011 Вот хороший материал на русском: SVM.pdf Еще вероятно будет интересно покопать на родственную тему Relevance Vector Machine. 1 Поделиться сообщением Ссылка на сообщение Поделиться на других сайтах
mrgloom 242 Жалоба Опубликовано August 11, 2011 надо ли предварительно знать линейно разделимы классы или нет? как подавать вектор признаков для обучения?(например если с объекта снимается вектор переменной длины, надо оставить только максимально значимые признаки или из всей выборки взять максимальную длину, а у тех которых длина меньше заполнить скажем нулями) Поделиться сообщением Ссылка на сообщение Поделиться на других сайтах
Smorodov 579 Жалоба Опубликовано August 11, 2011 Нелинейная разделимость приводится к линейной разделимости путем добавления дополнительного измерения пространства. Вот: Векторы должны иметь одинаковый набор признаков (векторы должны быть одинаковой длины). Лучше чтобы это были векторы, которые имеют максимальные собственные значения (если это собственные векторы). Или наиболее чисто разделяли классы. Но можно скармливать и все подряд, заполняя неизвестные значения нулями. Поделиться сообщением Ссылка на сообщение Поделиться на других сайтах
mrgloom 242 Жалоба Опубликовано August 11, 2011 меня интересовало как сравнивать объекты с разным кол-вом дескрипторов. тут вот есть ответ на стр. 3-4. http://eprints.pascal-network.org/archive/00000218/01/talk.pdf причем забавно что SVM + RBF-kernel on raw pixels походу дает лучший результат. 1 Поделиться сообщением Ссылка на сообщение Поделиться на других сайтах