2

我正在开发一个简单的 AI 程序，该程序使用无监督学习方法对形状进行分类。本质上，我使用边数和边之间的角度，并将聚合百分比生成为形状的理想值。这有助于我在结果中创建一些模糊性。

问题是我如何表示分类中的错误或置信度？例如：一个看起来很像正方形的小矩形会从两个类别中产生夜间会员值，但我可以表示错误程度吗？

谢谢

4

2 回答 2

2

您的信心基于使用的模型。例如，如果您只是根据角度（或边）的数量应用一些规则，那么您就有一些对象的多维表示：

feature 0, feature 1, ..., feature m

不错的统计方法

您可以根据您的经验结果定义某种置信区间，例如。您可以将多维高斯分布拟合到您对“矩形对象”的经验观察中，一旦您得到一个新对象，您只需检查高斯分布中此类值的概率，并有信心（这将是非常合理的假设，您的“观察”错误具有正态分布）。

基于距离的简单方法

较少的统计方法是直接采用模型的决策因子并将其压缩到 [0,1] 区间。例如，如果您只是以某种度量标准测量从某个完美形状到新对象的距离（产生 [0,inf) 的结果），您可以使用一些类似 sigmoid 的函数来映射它，例如。

conf( object, perfect_shape ) = 1 - tanh( distance( object, perfect_shape ) )

双曲正切会将值“挤压”到 [0,1] 区间，剩下要做的唯一事情就是选择一些缩放因子（因为它增长得很快）

谭

这种方法在数学方面不太有效，但类似于神经网络中采用的方法。

相对方法

还可以使用您的距离度量来定义更多概率方法。如果您与每个“完美形状”都有距离，您可以计算一个物体被分类为某个类别的概率，假设该分类是随机执行的，概率与到完美形状的距离的倒数成正比。

dist(object, perfect_shape1) = d_1
dist(object, perfect_shape2) = d_2
dist(object, perfect_shape3) = d_3
...

                             inv( d_i )
conf(object, class_i) = -------------------
                          sum_j inv( d_j )

在哪里

inv( d_i ) = max( d_j ) - d_i

结论

前两个想法也可以合并到第三个中，以利用所有类的知识。在您的特定示例中，第三种方法应该导致0.5矩形和圆形的置信度，而在第一个示例中，它会更接近0.01（取决于您在“训练”集中有多少这么小的对象），这显示了差异 - 前两种方法显示您对分类为特定形状本身的信心，而第三种方法显示相对信心（因此如果其他类的高，则它可能低，而前两种可以简单地回答“不分类有信心”）

于 2013-08-25T11:27:19.960 回答
0

稍微建立在 lejlot 提出的内容之上；我的偏好是使用带有一些挤压功能的马氏距离。Mahalanobis 距离M(V, p)允许您测量分布V和点之间的距离p。

在您的情况下，我会使用每个类的“完美”示例来生成分布V，并且p是您想要置信的分类。然后，您可以使用以下内容作为您的置信区间。

1-tanh( M(V, p) )
于 2017-09-18T14:42:17.260 回答