手势识别用到的——机器学习算法:分类

机器学习方法

机器学习方法

机器学习算法又很多,比如分类、回归、聚类、推荐、图像识别领域等,具体算法比如线性回归、逻辑回归、朴素贝叶斯、随机森林、支持向量机、神经网络等等。
机器学习算法的分类
在这里插入图片描述
分类是预测一个标签,是离散的,属于监督学习;
回归是预测数量的,是连续的,属于监督学习;
聚类属于无监督学习;
考虑到手势识别设计中,应该会用到其中的分类算法给得到的数据进行标注,再根据标注进行分类,分出来手势的不同。对于分类,输入的训练数据包含信息有特征,也称为属性,有标签,也常称之为类别
所谓的学习,其本质就是找到特征与标签之间的关系(映射)所以说分类预测模型是求取一个从输入变量 (特征) 到离散的输出变量(标签) 之间的映射函数。
这样当有特征而无标签的未知数据输入时(比如在手势输入时 在进行训练模式时),可以通过映射函数预测未知数据的标签(判别),简单地说,分类就是按照某种标准给对象贴标签,再根据标签来区分归类。类别是事先定义好的。

机器学习分类算法:

logistic回归

可以进行二元分类,也可以解决多元分类。

最小二乘回归
分类树:

决策树Decision Tree 可分为分类树回归树。分类树使用信息增益或信息增益比率来划分节点,每个节点样本的类别情况投票(voting)决定测试样本的类别。

支持向量机

SVM可通过升维来解决在低维中线性不可分的问题,旨在找到一个超平面(Hyperlane)作为线性决策边界(decision boundry),最大化分类边界,将特征空间中的数据更好的分隔开。SVM有着优秀的泛化能力,但更适用于小样本训练,因为svm对于内存消耗很大。若数据量很大,训练时间会较长。且SVM在小样本上能够得到比其他算法好很多的结果。
在这里插入图片描述

KNN

K近邻是基于实例的分类(instance-based learning) ,属于惰性学习 (lazy learning) 。比如在现实中,预测某一个房子的价格,就参考最相似的K个房子的价格,比如距离最近、户型最相似等等。KNN没有明显的训练学习过程,不同K值的选择都会对KNN算法的结果造成重大影响。如下图所示,k=1与k=3预测的类别是不同的。我觉得在手势识别方面比较适用这钟算法但是这样的算法没有优点
缺点:
1、计算量太大。
2、对于样本分类不均衡的问题,会产生误判。
引例:下面图片中只有三种豆,有三个豆是未知的种类,如何判定他们的种类?

最简单的想法是:未知的豆离哪种豆最近就认为未知豆和该豆是同一种类。
由此,我们引出最近邻算法的定义:为了判定未知样本的类别,以全部训练样本作为代表点,计算未知样本与所有训练样本的距离,并以最近邻者的类别作为决策未知样本类别的唯一依据。

K-means算法

在这里插入图片描述
根据上表,结合上面对knn算法的了解,我们能发现,K-means算法又明显的前期训练过程(手势识别进行训练模式);为给他的数据集是无lable的数据,是杂乱无章的,经过聚类后才变得有点顺序,先无序,再有序。这样在进行手势识别训练模式时,进行的训练是无章的
K-means算发相对于KNN算法可以减少计算量,但不能减少存储量。

集成学习
- Bagging
Bagging这个名字是Boostrap AGGregatING缩写而来的,是并行式集成学习方法的最著名代表。
    - Random Forest (随机森林)

在这里插入图片描述
随机森林是一个包含多个决策树的分类器,其输出的类别是由各个子树数据类别的众数(majority voting)决定的。当你不知道该用什么算法来处理分类的时候,随机森林都是一个作为尝试的不错的选择。不知道采用这个算法有没有用。。。

已标记关键词 清除标记
表情包
插入表情
评论将由博主筛选后显示,对所有人可见 | 还能输入1000个字符 “速评一下”
©️2020 CSDN 皮肤主题: 1024 设计师:上身试试 返回首页