目前我正在为一个项目工作，将一组给定的测试图像分类为5个预定义类别中的一个。我使用每个图像240个特征的特征向量实现了Logistic回归，并使用100个图像/类别对其进行了训练。我获得的学习准确率为每个类别约98％，而在500个图像（100个图像/类别）的验证集上测试时，只有~57％的图像被正确分类。
请为我提供一些我可以使用的库/工具（最好是基于神经网络）以获得更高的准确度。
我尝试在Windows上使用基于Java的工具Neurophy（neuroph.sourceforge.net），但它没有按预期运行。
修改：已为项目提供了要素向量。我也在为图像寻找更好的特征提取工具。
答案 0 :(得分：0)
基于你的标签我假设你想要一个python包，scikit-learn有很好的分类程序：scikit-learn.org。
答案 1 :(得分：0)
我使用WEKA工具取得了很大成功，您需要隔离您感兴趣的功能集，然后应用此库中的分类器。这些例子非常清楚。 http://weka.wikispaces.com
答案 2 :(得分：0)
您可以从本文Image Classification
获得帮助在我看来，当涉及到多类响应问题时，SVM相对优于逻辑回归。我们在产品的电子商务分类中使用它，其中有1000个响应级别和数千个特征。