5

我是机器学习的新手。我熟悉 SVM、神经网络和 GA。我想知道学习对图片和音频进行分类的最佳技术。SVM 做得不错，但需要很多时间。有人知道更快更好的吗？另外我想知道 SVM 最快的库。

4

7 回答 7

4

您的问题是一个很好的问题，并且与分类算法的最新水平有关，正如您所说，分类器的选择取决于您的数据，对于图像，我可以告诉您有一种方法称为 Ada-Boost，请阅读此和此以了解更多信息，另一方面，您会发现很多人正在做一些研究，例如在使用 Adaboost 进行面部性别分类[Rodrigo Verschae,Javier Ruiz-del-Solar和毛里西奥·科雷亚] 他们说：

“Adaboost-mLBP 优于所有其他基于 Adaboost 的方法，以及基线方法（SVM、PCA 和 PCA+SVM）”看看它。

于 2011-03-26T17:59:09.810 回答
2

如果您主要关心的是速度，您可能应该看看VW，通常是基于随机梯度下降的训练 SVM 的算法。

于 2011-03-30T16:39:57.093 回答
2

如果与训练示例的数量相比，特征的数量很大，那么你应该使用逻辑回归或没有内核的 SVM

如果特征数量很少并且训练示例的数量是中间的，那么你应该使用带有高斯核的 SVN

是特征数量少，训练样例数量大，使用逻辑回归或不带内核的支持向量机。

那是根据 stanford ML-class 。

于 2011-12-05T14:32:30.247 回答
1

对于此类任务，您可能需要先提取特征。只有这样分类才是可行的。

于 2011-04-03T14:42:58.020 回答
1

我认为特征提取和选择很重要。

对于图像分类，有很多特征，如原始像素、SIFT特征、颜色、纹理等。最好选择一些适合您的任务。

我不熟悉音频分类，但可能有一些频谱特征，比如信号的傅立叶变换MFCC。

用于分类的方法也很重要。除了问题中的方法外，KNN 也是一个合理的选择。

实际上，使用什么特征和方法与任务密切相关。

于 2011-06-11T15:32:05.857 回答
1

该方法主要取决于手头的问题。对于任何问题，没有一种方法总是最快的。话虽如此，您还应该记住，一旦您选择了速度算法，您将开始在准确性上妥协。

例如 - 由于您尝试对图像进行分类，与手头的训练样本数量相比，可能会有很多特征。在这种情况下，如果您使用带有内核的 SVM，您最终可能会因方差过高而过度拟合。因此，您需要选择一种具有高偏差和低方差的方法。使用逻辑回归或线性 SVM 是一些方法。

您还可以使用不同类型的正则化或技术（例如 SVD）来删除对您的输出预测贡献不大且仅具有最重要的特征的特征。换句话说，选择它们之间相关性很小或没有相关性的特征。一旦你这样做了，你就可以在不牺牲准确性的情况下加速你的 SVM 算法。

希望能帮助到你。

于 2015-04-28T08:44:40.953 回答
0

学习机器有一些很好的技术，例如 boosting 和 adaboost。一种分类方法是boosting方法。该方法将迭代地操作数据，然后在每次迭代时由特定的基分类器进行分类，进而构建分类模型。Boosting 在每次迭代中使用每个数据的权重，其中权重值将根据要分类的数据的难度级别而变化。而adaBoost方法是一种集成技术，通过使用损失函数指数函数来提高预测的准确性。

于 2018-05-11T13:47:08.547 回答