第一个数据集包含2类：正常与血液癌症 第二个数据集包含2类：正常与血液感染 第三个数据集包含2类：正常与镰状细胞病
所以，我想做的是：当我输入血液涂片图像时，人工智能系统会告诉我它是：正常，血液癌，血液感染或镰状细胞病（4类分类任务）
我该怎么办？
我应该混合这3个数据集并只训练1个模型来检测4个类吗？
还是我应该训练3种不同的模型并将它们组合在一起？如果是，我应该使用哪种方法进行组合？
更新：我搜索了一段时间。这项任务可以称为“学习不忘吗？”
答案 0 :(得分：0)
这是一个多类分类问题。您可以只训练一个模型，最后一层是4个单元（即输出尺寸）和softmax激活功能的完全连接（密集）层。
答案 1 :(得分：0)
我认为这取决于数据。
您可以使用三个不同的模型并对每个图像进行三个二进制预测。因此，您将获得每个x与正常投票的概率。如果二进制分类是正确的，那么应该可以提供好的结果。但是在这种情况下，您可能会累积错误分类或错误。
如果负担得起，可以训练一个四级模型，并将测试误差与一系列二进制分类进行比较。我了解您已经拥有三个模型。因此，训练另一个人可能并不太昂贵。
如果只能出现其中一个类，则可能要采用四类模型。如果实际上可以同时出现两个（或多个）类，则可以使用一系列二进制分类。
答案 2 :(得分：0)
正如@Peter所说，这完全取决于数据。如果您的肉眼可以轻松分辨出正常，血癌，血液感染，镰状细胞病这4类图像，并且所有类别之间都没有混淆的范围，那么您应该简单地选择一种模型，给出概率所有4个类中的一个（如@maxi marufo所述）。如果类之间存在混淆，并且无法用肉眼分辨图像，或者类之间存在很大的混淆范围，则应使用3种不同的模型，但需要使用。您只需从三个模型中假设p1（正常）和p1（c1），p2（正常）和p2（c2），p3（正常）和p3（c3）获得预测概率。现在您可以求平均值（p1（normal），p2（normal），p3（normal））并为p（normal），p1（c1），p2（c2），p3（c3）使用softmax。在多种尝试方式中，上述可能是其中一种。