机器学习（西瓜书）3.7 ECOC 先这么理解着

最新推荐文章于 2024-02-09 19:52:58 发布

我爱AI_AI爱我

最新推荐文章于 2024-02-09 19:52:58 发布

阅读量2.3k

点赞数

分类专栏：机器学习（西瓜书）文章标签：机器学习

本文链接：https://blog.csdn.net/qq_30241305/article/details/82023233

版权

机器学习（西瓜书）专栏收录该内容

5 篇文章 2 订阅

订阅专栏

其他方法手动计算海明距离 https://blog.csdn.net/icefire_tyh/article/details/52069025

1	1	1	1	-1	-1	-1	-1	1
1	1	-1	-1	1	1	-1	-1	1	4

1	1	1	1	-1	-1	-1	-1	1
1	-1	1	-1	1	-1	1	-1	-1	5

1	1	1	1	-1	-1	-1	-1	1
-1	-1	-1	-1	1	1	1	1	1	9

1	1	-1	-1	1	1	-1	-1	1
1	-1	1	-1	1	-1	1	-1	-1	5

1	1	-1	-1	1	1	-1	-1	1
-1	-1	-1	-1	1	1	1	1	1	4

1	-1	1	-1	1	-1	1	-1	-1
-1	-1	-1	-1	1	1	1	1	1	5

我的方法海明距离的求和时36，该方法结果32.所以我这个算法更优秀

但是分类器全为正或者全为负是没有意义的，如图1所示时不全为相同的情况

优惠劵

我爱AI_AI爱我

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
机器学习（西瓜书）3.7 ECOC 先这么理解着

其他方法手动计算海明距离 https://blog.csdn.net/icefire_tyh/article/details/520690251 1 1 1 -1 -1 -1 -1 1 1 1 -1 -1 1 1 -1 -1 1 4 ...
复制链接

扫一扫

专栏目录

ECOC2014.rar

06-03

ECOC2014会议论文集

纠错输出码ECOC

jyy_nb的博客

04-06

3085

纠错输出码ECOC，即Error Correcting Output Codes，是一种最常用的MvM技术（many vs. many多对多），而非训练完成后再去纠错。 Exhausive Codes(EC) 当k大于3且小于7时，建立一个长度为2k−1−12^{k-1}-12k−1−1的编码。第一行全部是1；第二行前2k−22^{k-2}2k−2个数是0，后2k−2−12^{k-2}-12k−2...

参与评论您还未登录，请先登录后发表或查看评论

【好书推荐--周志华老师《机器学习》西瓜书学习笔记】【转载】

最新发布

j8267643的博客

02-09

397

周志华《机器学习》又称西瓜书是一本较为全面的书籍，书中详细介绍了机器学习领域不同类型的算法(例如：监督学习、无监督学习、半监督学习、强化学习、集成降维、特征选择等)。本项目为周志华《机器学习》的学习笔记，记录了本人在学习这本书的过程中的理解思路以及一些有助于消化书内容的拓展知识，笔记中参考了许多网上的大牛经典博客以及李航《统计学习》的内容，向前辈们和知识致敬！希望对新人阅读西瓜书有所帮助！

机器学习：线性模型-多分类任务拆分之纠错输出码ECOC浅析

do it

10-14

4597

多分类任务通常转化为多个二分类任务，再对预测结果进行集成得出最终分类结果。拆分为二分类任务通常有3种：一对一（OvO）,一对其余（OvR）和多对多（MvM）。 OvO: 将N个类别两两配对，共N(N-1)/2个分类任务，每个分类任务一个类别作为正例，另一个作为反例，学习得到N(N-1)/2个分类器。新样本同时提交给所有分类器，得到N(N-1)/2个分类结果，把预测最多的类别作为最终结果。见...

纠错输出码（Error Correcting Output Code, ECOC）

DUTwangtaiyu的博客

03-09

5459

纠错输出码流程 1、编码对N个类别做M次划分，每次划分将一部分类别划为正类，一部分划为反类（M个训练集）。如例(a) 则N=4，M=5，每次划分为+1或者-1（二分类） 2、解码测试示例交给M个分类器进行预测输出 3、计算分别得到N个M长度的编码，如C1 = -1，+1，-1，+1，+1 长度为M的编码预测 -1，-1，+1，-1，+1 对于二元ECOC码首先计算海明距离，对于二元ECOC码，进行异或操作，编码值 -1 +1 -1 +1 +1 测试值 -1 -1 +1 -1 +

线性模型多分类学习（主要为ECOC技术理论理解）

m0_57323472的博客

11-20

2843

多分类学习的主要解决思路是把多分类问题拆解成若干个二分类任务求解。首先先对问题拆分，然后根据每个分类任务去设计并训练一个分类器，最后进行测试，在测试时对若干个分类器的预测结果进行集成最后获得多分类结果。拆分的方法最主要有三种 “一对一(OvO)” “一对余(OvR)” “多对多(MvM)” 。假设数据集D有n个特征分别为C1、C2、C3......Cn。 OvO是将这n个特征进行两两配对，一共会有N(N-1)/2个分类器。假设我们把C1当作我们需要获取的特征C2当作我们需要舍弃的特征，...

ECOC编码

热门推荐

GG的专栏

10-07

1万+

多分类学习任务经常被划分为多个二分类学习任务，最后进行结果集成完成分类，一般有三种划分方法，“一对一”、“一对其余”、“多对多”(针对类别)。ECOC(Error Correcting Output Codes,纠错输出码)作为输出表示，用于多分类学习任务。主要思想是，通过事先分别为kk类类别定义一串编码序列(code word)。在分类的时候，只需比较待分类样本与各串编码的差异程度.

ECOC2017论文集

12-07

国际会议ECOC2017年的论文集。为啥限定最低2分呐，还想免费呢

cre.zip_ECOC_HD Matrix_between

07-15

create random ecoc matrix, trying to maximize HD between rows and cols.

ECML-迁移学习

11-07

关于异构迁移学习和ecoc编码解码结合的求解多分类的方法

java二叉树源码-pyramid:用Java编写的开源机器学习库

06-05

机器学习库，它实现了许多最先进的机器学习算法，包括二元和多类分类算法：具有 L1 正则化 (Lasso)、L2 正则化 (Ridge) 和 L1+L2 正则化 (Elastic-net) 的逻辑回归变分贝叶斯逻辑回归朴素贝叶斯纠错输出代码 ...

机器学习作业3.7，1、2

Katelalala的博客

05-15

920

1、用sklearn.linear_model包中的LinearRegression对表3-1所示的示例进行线性回归实验，比较结果。温度/℃ 15 20 25 30 35 40 小花数量/朵 136 140 155 160 157

学习记录——多类分类器ECOC（纠错输出码）如何训练和测试

CHWB2580的博客

07-21

4296

目录一、构造编码矩阵二、训练三、测试四、应用一、构造编码矩阵先构造编码矩阵，然后再把训练集已经打好的标签重新根据编码矩阵中第i列重新标记，按这种理解使用多少二分类器（n）就需要重新标记训练集几次(n)。因此，构造编码矩阵，共有k个类别的多分类任务，做n（想使的二分类器数量）次划分，每次划分时从k中随机选取部分为正类，其余为负类，刚好n个训练集。如何设计编码矩阵还有多种方法。其实可以不用构造编码矩阵，可先把训练集随机分成和二分类器个数一样的n个子训练集对应着各...

海明距离

人工智能讲师团

07-07

3241

开发十年，就只剩下这套Java开发体系了 >>> ...

机器学习学习笔记——线性模型和Logistic回归

SK_Jaco的博客

09-08

1653

1.基本形式给定由d个属性描述的示例，其中是在第个属性上的取值，线性模型通过对属性的线性组合来预测的函数：（一般写成向量形式）; 参数w的大小可以反映对应属性的“偏好”； 2.线性回归使用均方误差衡量预测与真实之间误差大小，即，求最小值使误差最小； ...

人工智能西瓜书学习笔记（三）——线性模型

君陌的博客

10-30

967

三、线性模型： 1．基本形式：线性模型试图学的一个通过属性的线性组合来进行预测的函数，即f(x)=w1x1+w2x2+…+wdxd+b，一般向量形式为f(x)=wx+b，其中w=(w1,w2…wd)。在w和b学得之后，模型就得以确定。个人理解：d的个数即训练集中特征的个数，然后每个特征可以提供一个wi，当所有的wi确定的时候，就可以得到一个完整的样本描述，这里学习器的形式就是一个线性组合，一个...

西瓜书-3.5，3.6，3.7，3.8推导过程

tiankong_的博客

02-14

1467

1.什么是线性模型碰到不熟悉的概念，我们首先从名字本身着手。线性：顾名思义，表示模型是一个线性组合，模型：可以理解成表示实际问题的一个函数（通过输入，可以得到输出-即结果）于是，线性模型有了以下定义： 2.线性回归已知：, 目标：试图通过现有数据构建一个线性模型，使其尽可能准确的预测输出标记。解法：最小二乘法（实质就是试图找到一条直线，使得所有样本...

三元ecoc码和二元ecoc码区别

06-08

三元ECOC码和二元ECOC码都是一种多分类问题的解决方案，它们的区别在于编码方式不同。二元ECOC码将原始多分类问题分解成多个二分类问题，每个二分类问题都对应一个编码向量，其中每个元素的取值为+1或-1，表示该类别是否被选中。例如，对于一个5分类问题，可以使用4个二分类问题来解决，每个二分类问题对应一个编码向量，如下所示：类别编码向量 1 +1 +1 -1 -1 2 +1 -1 +1 -1 3 -1 +1 +1 -1 4 -1 -1 +1 +1 而三元ECOC码则将原始多分类问题分解成多个三分类问题，每个三分类问题都对应一个编码向量，其中每个元素的取值为+1、-1或0，表示该类别是否被选中或不参与分类。例如，对于一个5分类问题，可以使用2个三分类问题来解决，每个三分类问题对应一个编码向量，如下所示：类别编码向量1 编码向量2 1 +1 +1 0 -1 -1 0 2 +1 0 +1 -1 0 -1 3 0 +1 +1 0 -1 -1 4 -1 -1 0 +1 +1 0 5 0 0 -1 0 0 +1 因此，三元ECOC码相比于二元ECOC码可以更有效地利用编码向量中的信息，提高多分类问题的分类准确率。

“相关推荐”对你有帮助么？

非常没帮助
没帮助
一般
有帮助
非常有帮助

提交

1	1	1	1	-1	-1	-1	-1	1
1	1	-1	-1	1	1	-1	-1	1	4

1	1	1	1	-1	-1	-1	-1	1
1	-1	1	-1	1	-1	1	-1	-1	5

1	1	1	1	-1	-1	-1	-1	1
-1	-1	-1	-1	1	1	1	1	1	9

1	1	-1	-1	1	1	-1	-1	1
1	-1	1	-1	1	-1	1	-1	-1	5

1	1	-1	-1	1	1	-1	-1	1
-1	-1	-1	-1	1	1	1	1	1	4

1	-1	1	-1	1	-1	1	-1	-1
-1	-1	-1	-1	1	1	1	1	1	5

1	1	1	1	-1	-1	-1	-1	1
1	1	-1	-1	1	1	-1	-1	1	4

1	1	1	1	-1	-1	-1	-1	1
1	-1	1	-1	1	-1	1	-1	-1	5

1	1	1	1	-1	-1	-1	-1	1
-1	-1	-1	-1	1	1	1	1	1	9

1	1	-1	-1	1	1	-1	-1	1
1	-1	1	-1	1	-1	1	-1	-1	5

1	1	-1	-1	1	1	-1	-1	1
-1	-1	-1	-1	1	1	1	1	1	4

1	-1	1	-1	1	-1	1	-1	-1
-1	-1	-1	-1	1	1	1	1	1	5

1	1	1	1	-1	-1	-1	-1	1
1	1	-1	-1	1	1	-1	-1	1	4

1	1	1	1	-1	-1	-1	-1	1
1	-1	1	-1	1	-1	1	-1	-1	5

1	1	1	1	-1	-1	-1	-1	1
-1	-1	-1	-1	1	1	1	1	1	9

1	1	-1	-1	1	1	-1	-1	1
1	-1	1	-1	1	-1	1	-1	-1	5

1	1	-1	-1	1	1	-1	-1	1
-1	-1	-1	-1	1	1	1	1	1	4

1	-1	1	-1	1	-1	1	-1	-1
-1	-1	-1	-1	1	1	1	1	1	5