1

我正在准备 Azure 机器学习考试，这里有一个问题让我感到困惑。

你正在设计 Azure 机器学习工作流。您有一个包含 200 万张大型数码照片的数据集。您计划检测照片中是否存在树木。您需要确保您的模型支持以下内容：

解决方案：您创建一个实现多类决策丛林模块的机器学习实验。这是否达到目标？

解决方案：您创建一个实现多类神经网络模块的机器学习实验。这是否达到目标？

第一个问题的答案是“否”，而第二个问题是“是”，但我不明白为什么 Multiclass Decision Jungle 不符合目标，因为它是一个分类器。有人可以向我解释原因吗？

4

2 回答 2

2

我想这是呈现相同场景的一系列问题的一部分。并且场景中肯定存在一些限制。此外，如果您查看Azure 文档：

然而，最近的研究表明，具有多层的深度神经网络 (DNN) 在图像或语音识别等复杂任务中非常有效。连续的层用于对不断增加的语义深度进行建模。

因此，Azure 建议使用神经网络进行图像分类。请记住，考试的目标是测试您使用 Azure设计数据科学解决方案的能力，以便更好地使用其官方文档作为参考。

与其他解决方案相比：

  1. 创建一个支持 Microsoft 认知工具包的 Azure 笔记本。
  2. 您创建了一个实现多类决策丛林模块的机器学习实验。
  3. 您为计算机视觉 API 创建一个端点。
  4. 您创建了一个实现多类神经网络模块的机器学习实验。
  5. 创建一个支持 Microsoft 认知工具包的 Azure 笔记本。

只有 2 个 Azure ML Studio 模块，由于问题是关于构建工作流，我想我们只能在它们之间进行选择。（CNTK 实际上是最好的解决方案，因为它允许使用 ReLU 构建深度神经网络，而 AML Studio 则不允许，而且 API 调用根本与数据科学无关）。

最后，我同意其他撰稿人的观点，即这个问题很荒谬。希望这可以帮助。

于 2019-06-07T08:15:14.607 回答
0

这个问题确实是一系列问题的一部分，这些问题展示了具有多个选项的相同场景。两种解决方案都将问题视为多类分类问题，这是正确的。然而，这里的关键元素是维度。

您的输入（图像）是高度维度的，需要深度学习方法才能有效。决策丛林将无法在如此高维的特征空间中有效学习，而神经网络有更高的机会这样做。

我希望它有所帮助。

于 2019-10-11T15:56:54.667 回答