Paso 1: Divida el conjunto de datos de la imagen en 3 subconjuntos. Use el primer subconjunto para calcular los vectores propios de PCA. Use el segundo subconjunto para entrenar al clasificador SVM y el tercero para probar el rendimiento del clasificador SVM.
Paso 2: Utilizando las primeras imágenes de subconjuntos, construya una matriz con dimensiones (n_images, img_width * img_height) que contenga las intensidades de píxeles de sus n_images.
Paso 2: Usando la clase PCA con la varianza retenida apropiada (0.95 por ejemplo), calcule la transformación. Aplica la transformación en tus imágenes de entrenamiento usando la función backProject.
- ¿Qué debo hacer cuando tengo una cita con las características NULL?
- Cómo entrenar a una CNN con datos insuficientes y no tan buenos
- ¿Dónde puedo encontrar excelentes bibliotecas de aprendizaje automático para Java?
- ¿Qué campo es el mejor, big data o machine learning?
- ¿Es incorrecto si realizo un análisis de opinión en revisiones individuales en lugar de en todas las revisiones a la vez?
Paso 3: Ahora que tiene una representación de su conjunto de entrenamiento con dimensionalidad reducida, construya dos matrices, una que contenga representación de dimensionalidad reducida y otra que contenga las etiquetas de clasificación.
Paso 4: puedes entrenar un clasificador SVM. Use la función de predicción en el conjunto de datos de prueba para verificar la precisión de sus predicciones.
