在机器学习中标记数据集

Question

我对机器学习的一些基本概念有疑问。我观察到的例子给出了一个简要的概述。为了训练系统，给出了特征向量作为输入。在监督学习的情况下，标记数据集。我对标签感到困惑。例如，如果我必须区分两种类型的图片，我将提供一个特征向量，在输出端进行测试，我将为类型A提供1，为类型B提供2.但是如果我想提取一个区域感兴趣的是图像数据集。如何使用SVM标记我的数据以提取ROI。我希望我能够表达我的困惑。感谢您的期待。

Answer 1

在有监督的学习中，例如SVM，数据集的组成应如下：

<i-th feature vector><i-th label>

其中i从1变为训练集中的模式数量（也是示例或观察），因此这代表了训练中的单个记录set可用于训练SVM分类器。

所以你基本上有一个由这样的元组组成的集合，如果你只有2个标签（二进制分类问题），你可以很容易地使用SVM。实际上，SVM模型将通过训练集和训练标签进行训练，一旦训练阶段结束，您可以使用另一组（称为验证集或测试集），其结构与训练集相同，测试SVM的准确性。
换句话说，SVM工作流程的结构应如下所示：

1. 使用培训集和培训标签培训SVM
2. 使用上一步中训练的模型预测验证集的标签
3. 如果您知道实际验证标签是什么，则可以将预测标签与实际标签相匹配，并检查已正确预测的标签数量。正确预测的标签数量与验证集中标签总数之间的比率将返回[0; 1]之间的标量，并将其称为SVM模型的精度。< / LI>
4. 如果您对ROI感兴趣，您可能需要检查训练好的SVM参数（主要是权重和偏差）以重建分离超平面

同样重要的是要知道训练集记录应该正确，先验标记：如果训练标签不正确，SVM将永远无法正确预测以前的输出看不见的模式。您不必根据要提取的ROI标记数据，必须事先正确标记数据：SVM将具有整个A类图片集和B类图片集，并将学习决策边界分离A型图片和B型图片。您不必欺骗标签：如果这样做，您就不会进行分类和/或机器学习和/或模式识别。你基本上是在欺骗结果。