线性分类器
主要内容:
线性分类器简介
线性得分函数(Linear score function)
解释线性分类器
损失函数
多分类支持向量机
Softmax分类器
SVM vs Softmax
总结
线性分类器(Linear Classification)
在上一节中,我们介绍了图像分类问题,并给出kNN方法,但是kNN有一些缺点,
1、必须存储所有的训练数据,
2、预测时花费的代价大
现在,我们开发一个更加强大的方法,以至于一步一步达到神经网络和卷积神经网络。这个方法有两个主要的问题:
1、得分函数(Source function): 每一行数据在每一类的得分
2、损失函数(loss function):量化预测值和真实值之间的一致性
解决这两部之后,将其转化成一个最优化问题,通过最小化损失函数(loss function)来得到得分函数(Source function)的参数。
从图片到标签值得分的参数映射
线性分类器:是最简单的一个线性函数,可以让我们使用。
需要提到的小问题:
3、这个方法的优点(相对kNN)是一旦得到参数W,b不用存储训练数据,而且预测图片分类时,更加有效率。
伏笔:之后要提到的卷积神经网络和这个方法类似,也是映射每一个图片到每一类的得分,只是映射f更加复杂,参数更多。
线性分类器的解释:
将
线性分类器
最新推荐文章于 2022-05-08 14:33:37 发布
本文详细介绍了线性分类器的概念,包括线性得分函数、损失函数,重点讨论了多分类支持向量机(SVM)和Softmax分类器。通过对比SVM的hinge loss与Softmax的交叉熵损失,阐述了它们在分类任务中的差异。线性分类器具有不需要存储训练数据、高效预测等优点,而SVM和Softmax分别提供了不同的优化目标和损失函数,适用于不同的场景。
摘要由CSDN通过智能技术生成