[2]image Classification pipeline-图像分类

本文探讨了图像分类中的关键算法,如K-Nearest Neighbors(KNN),比较了L1和L2距离在实际应用中的选择,并解释了为何L1距离依赖于坐标系而L2更为稳定。同时,文章强调了超参数设置的重要性,提出了正确的超参数调整策略,如避免过拟合和过依赖训练集。此外,还阐述了训练集和验证集的区别,以及KNN在高维数据中的局限性。最后,提到了线性分类器的概念,展示其在模型效率上的优势。
摘要由CSDN通过智能技术生成

image Classification pipeline-图像分类

没有一个具体函数,不能像下图一样

image-20210527105144853

image-20210527105427535

这关键的不是输入一张图来分辨它是不是猫,而是输入一张图分辨它是什么。去预测它是什么。

Neasrest Neighbor

image-20210527105612786

L1曼哈顿距离

image-20210527110135345

image-20210528094220880

image-20210528094236270

缺点:我们在进行训练的时候是快的O(1),只需要算一轮,但是在预测的时候是很慢的O(n)
卷积神经是恰恰相反的,是我们所想要的

image-20210528094754297

K-Nearest Neighbors

image-20210528094858395

加入了决策权重,每个样本有不用的投票vote权重

L2欧几里得距离:平方根,

L1更改坐标系会导致距离改变,L2更改坐标系距离是不会改变的

下图代表如果固定距离,在二维空间里

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值