maschinelles Lernen - Multi-Label-Klassifizierung Svm

Ich habe Probleme bei der Verwendung SVM in Multi-Class-Klassifikation in Python. ich die Tat ist das Problem über Geschlecht Klassifizierung (von Bildern), wo Ausbildung-Datensatz nur entweder "y = 1" oder enthält "y = -1" als Klasse-Etikett (binär). Aber in Vorhersage, ich habe „“ vorhersagen, ob es männlich oder „-1“, wenn sie weiblich und „0“, wenn Klassifikator nicht nicht kennt. Ich habe keine Ahnung, wie man diese "0" Klasse hinzufügt. Was soll ich verwenden? Entscheidungsfunktion?maschinelles Lernen - Multi-Label-Klassifizierung Svm

PS: Punktzahl wird auf diese Weise berechnet: score_formula

Quelle

2017-03-25 Akihiko

Können Sie bitte den Code, den Sie bereits haben? Am besten wäre zusammen mit einem minimalen Datensatz mit 5 Instanzen oder so – CAFEBABE

Es ist eine interessante Frage, die die Domäne von Stackoverflow überschreiten kann und es ist kein "Technik" -Problem. Vielleicht http://datascience.stackexchange.com/ ist besser. Zum Beispiel müssen Sie die Bestrafung der Entscheidung von "0" entscheiden, oder jeder kann alles als 0 voraussagen. – Zealseeker

Da Sie Ihre benutzerdefinierte Punktzahl haben, warum nicht neuronales Netzwerk verwenden und machen Sie Ihren "Score" zur Verlustfunktion? – Zealseeker

Der beste Weg, das gewünschte Ergebnis zu erzielen wäre Wahrscheinlichkeit zu verwenden. Wenn Sie Scikit-learn verwenden, können Sie dem Konstruktor den Parameter probability=True hinzufügen. Auf diese Weise erhalten Sie einen Wert zwischen [0,1]. Eine Alternative ist die decision_function, die Ihnen den Abstand zur Hyperebene bietet. Dies sollte -1 und 1 für die Support-Vektoren sein. Der absolute Wert ist größer 1, wenn es sich um eine Klassifizierung handelt. Es liegt an Ihnen, wo Sie 0 wählen.

Quelle

2017-03-26 08:55:43 CAFEBABE

bedeutet, mit Entscheidungsfunktion kann ich 1 vorhersagen, wenn> 1, -1 if <-1, und 0 sonst? – Akihiko

Ja. Wenn die Klassen trennbar sind, wäre dies sogar vertretbar. Es würde bedeuten, dass die Beispiele in [-1,1] näher an der Entscheidungsgrenze liegen als alles bisher Gesehene. – CAFEBABE

maschinelles Lernen - Multi-Label-Klassifizierung Svm

Antwort

Verwandte Themen