classificateur du voisin le plus proche

Classificateur bayésien

classificateur linéaire

Prise en charge du classificateur de machines vectorielles

classificateur de réseau neuronal

forêt aléatoire

Adaboost

0-1 défaite

Perte de machine vectorielle de support multiclasse

perte d'entropie croisée

Perte de L1

Perte L2

méthode du premier ordre

méthode du deuxième ordre

Partitionnement des ensembles de données

Prétraitement des données

augmentation des données

Sous-apprentissage et surapprentissage

Réglage des hyperparamètres

Intégration du modèle

est un mappage linéaire qui mappe les caractéristiques de l'image d'entrée aux scores de catégorie

La moyenne formée est similaire à la catégorie après visualisation

Considéré comme un modèle, plus le poids de l'image d'entrée et du modèle est élevé, plus il est similaire.

La ligne avec un score égal à 0 est la surface de décision

Un pont entre les performances du modèle et les paramètres du modèle, guidant l'optimisation des paramètres du modèle

est une fonction qui mesure le degré d'incohérence entre la valeur prédite d'un classificateur donné et la valeur vraie, et sa sortie est généralement une valeur réelle non négative

La sortie de valeur réelle non négative peut être utilisée comme signal de rétroaction pour ajuster les paramètres du classificateur afin de réduire la valeur de perte correspondant à l'instance actuelle et d'améliorer l'effet de classification.

Perte de machine vectorielle de support multiclasse

mandat régulier

Descente graduelle

descente de gradient stochastique

Algorithme de descente de gradient stochastique en mini-lots

Division classique

validation croisée k fois

Supprimer la moyenne

Normalisé

décorréler

albinos