【求助】有关目标分类中的离散度（分散度）特征

brk1985 2009-04-27 09:47:49

目标分类中的离散度特征，为周长的平方除以面积。
为什么周长的平方除以面积可以反映目标的离散程度？另外，大家计算离散度时，周长是用外接矩形的周长，还是获取的边缘轮廓求周长？面积也有同样疑问。

...全文

170 1 打赏收藏转发到动态举报

写回复

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

brk1985 2009-04-28

打赏
举报

回复

顶上去，没人吗？模式识别中，很多人用了离散度的呀？

在处理分类或回归问题时，我们通常会首先考虑我们应该在模型中包含哪些特征。然而，解决方案的关键往往在于目标值。正如我们在本章所看到的，重新缩放我们的回归目标可以帮助我们使用更简单的模型。此外，校准我们分类器给出的概率可以迅速提高我们的准确度，并帮助我们量化不确定性。我们还学会了通过编写一个单一的估计器来同时预测多个输出，从而处理多个目标。这有助于简化我们的代码，并使得估计器可以利用从一个标签中学到的知识来预测其他标签。在现实生活中的分类问题中，类别不平衡是常见的。

社会和健康科学中使用的机器学习（ML）方法需要符合描述、预测或因果推理等预期研究目的。本文通过结合这些学科的统计分析的必要要求，为社会和健康科学中的研究问题与适当的ML方法进行了全面、系统的元映射。作者将已建立的分类映射到描述、预测、反事实预测和因果结构学习，以实现共同的研究目标，如估计不良社会或健康结果的流行率、预测事件的风险、识别不良结果的风险因素或原因，并解释通用的ML性能指标。这种映射可能有助于充分利用ML的好处，同时考虑与社会和健康科学相关的特定领域方面，并希望有助于加速ML应用的普及，以推进基础

注:需要 HMMs 的基础知识。最近，我一直在努力理解 HMMs 训练和识别特别有趣的时间序列数据集(美国手语)背后的魔力。在这篇文章中，我想对这个过程中的步骤做一个高层次的概述，经过详细的研究，我终于掌握了这个过程。首先让我们看看数据。单个数据点(ASL 中的单个单词)由分散在离散时间帧中的值组成。假设我们想要建立一本单词书的模型。我们查看数据集，注意到有三个时间序列对应于图书。我们将 HMM 建立在这三个例子的基础上。训练前要做的一个重要步骤是决定状态的数量。我们可以凭经验做到。

树模型是一系列不同种类的集成算法，由于性能良好和数据预处理要求低，因此是处理表格数据的首选方法。集成算法是一组机器学习模型，它们共同贡献于单个预测。所有基于树的集成模型都是基于决策树，这是一种自 20 世纪 60 年代以来流行的算法。决策树背后的基本思想，无论它们是用于分类还是回归，都是你可以将训练集分割成子集，在这些子集中，你的预测更有利，因为有一个占主导地位的目标类（在分类问题中）或者目标值的变异性降低（即它们都非常接近；这指的是回归问题）。图 5.1 展示了构成决策树的关键元素方案。

由弗勒在Unsplash上拍摄性能测量是任何机器学习项目中必不可少的过程。我们的机器学习过程可能不总是产生具有预期准确性的最佳模型。因此，这里需要性能测量来评估训练模型在预测中的有效性。绩效测量中使用的指标种类繁多，但一般来说，它们可以根据模型类型进行分类，1)分类器或 2)回归器。在本文中，我们将通过介绍在分类项目中使用的七个常见的性能度量标准来关注分类器类型的度量。准确度得分混淆矩阵精度召回F1 得分ROC 曲线奥罗克。

4,499

社区成员

15,355

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章