將多維特征分類為兩組的 Neural.network 示例

Question

我正在尋找一個好的監督神經網絡的源代碼示例，它接受兩個以上的特征（與大多數 XY 示例不同）並將數據分為兩組。 據我所知，支持向量機 (SVM)可能是一種解決方案？

我發現的所有分類示例都是二維的。 這里有一些：

我試圖將罕見事件與許多通常穩定的輸入區分開來。 特征是鍵值對，其中的值通常可以離散化為一個小數字。 第一類可用的訓練數據是巨大的，但第二類只有很少的訓練集，如果這有所不同的話。

示例訓練集

[2, 1, 0, 1, 4, 3] -> A  
[1, 1, 2, 3, 3, 0] -> A
[0, 0, 1, 3, 2, 0] -> A

[0, 4, 4, 4, 4, 3] -> B

[1, 3, 4, 4, 4, 0] -> ??? (probably B)

信心評級，例如。 “85% 確定 B”將有助於區分罕見事件的閾值。

neural.network 是最好的解決方案嗎？是否有內置此功能的 .NET 庫？

Answer 1

實際上，所有這些機器學習技術都有其優點和缺點。 在使用NN（單層感知器）時，您需要考慮是否有足夠的訓練數據。 從技術上講，您需要能夠覆蓋尺寸內的所有單元以獲得良好的結果。

另一方面，SVM嘗試找到分隔數據點的邊界，這樣如果在不接近此邊界的區域中有間隙，則可以。

圍繞+/-提升有5-6個分類器，說實話，似乎大多數時間類型的分類器是主觀選擇的。 另一方面，有些人使用多個分類器並比較結果。

使用OpenCV，可以很容易地插入不同的分類器，因此您可以正確地使用它。 我在C ++中使用OpenCV和我的項目的NN分類器，結果非常好：

Answer 2

SVM 是 n 維的——只是示例通常是 2D 的，因為一旦超過 3 個，解決方案就不再真正適合 2D 插圖了。

它只有兩個 output 類（通常是 Good 和 Bad），但它具有您喜歡的任意多的特性。 這就是為什么分割兩個 SVM 類的線被稱為“超平面”，因為它存在於多維空間中——每個特征一維。