Является ли этот результат классификации приемлемым? - PullRequest
Новая
       1

Является ли этот результат классификации приемлемым?

0 голосов
/ 12 октября 2010

У меня есть очень простая задача линейной классификации, которая заключается в разработке задачи линейной классификации для следующих трех классов в координатах:

Класс 1: очки (0,1) (1,0) Класс 2: очки (-1,0) (1,0) Класс 3: очки (0, -1) (1, -1)

Я вручную использовал случайный начальный вес [1 0,0 1] (матрица 2 * 2) и случайный начальный уклон [1,1] применяя каждую итерацию к шести выборкам, я наконец получаю классификацию, которая равна X = -1 и Y = -1, поэтому, когда x и Y оба> -1, это class1; если X <= - 1 и Y> -1, это class2; если x> -1 и Y <= - 1, это class3. </p>

После нанесения этого на график, я думаю, что у него есть некоторые проблемы, поскольку выборочные границы пересечения выборок в классе 2 и классе 3, я задаюсь вопросом, является ли это приемлемым. Наблюдая за графиком, я бы сказал, что идеальной классификацией будет x = - 1/2 и y = 1/2, но я действительно не могу получить этот результат после расчета.

Пожалуйста, поделитесь своими мыслями со мной, заранее спасибо.

Ответы [ 2 ]

1 голос
/ 12 октября 2010

Я бы сказал, что результаты приемлемы. Все точки правильно классифицированы, за исключением точки в (1,0), которая помечена как класс 2 и классифицирована как класс 1. Проблема в том, что есть также точка в (1,0), помеченная как класс 1, поэтому невозможно разделить классы 1 и 2.

Конечно, модель, вероятно, ужасна, когда оценивается на тестовом наборе. Если вы хотите, чтобы границы решений располагались на равном расстоянии между точками, вам нужно взглянуть на классификаторы максимальной маржи.

0 голосов
/ 12 октября 2010

Результаты не приемлемы.Классы 2 и 3 являются линейно разделимыми, поэтому вы не должны принимать какой-либо классификатор, который не классифицирует их идеально.

Насколько мне известно, с этими образцами и сетью прямой связи, обученной обратному распространению,вряд ли получится желаемое х = -1 / 2 и у = 1/2.Для этого вам нужен классификатор максимальной маржи.

Я рекомендую вам проверить линейный классификатор SVM.Вы можете проверить SVMlight на наличие проблем мультикласса .

...