tl; dr:
Puedes, pero (¿cómo) deberías?
Detalles:
El enfoque para derivar las características más discriminatorias para la clasificación de patrones puede basarse en la selección de características => NN supervisado, SVM o extracción de características.
En el último, puede usar una fusión de características en serie [matemáticas] \ gamma = \ begin {bmatrix} \ alpha \\\\ \ beta \ end {bmatrix} [/ math] como mencionó, que es de alta dimensión y contiene redundantes e información contradictoria (“flores blancas” pueden significar la muerte o la paz según el contexto), lo cual es desfavorable para el reconocimiento o es equivalente en paralelo [matemáticas] \ gamma = \ alpha + i \ beta [/ matemáticas] => PCA o LDA. , cómo realizar la extracción de características en un espacio de características complejo, es una pregunta separada (no dude en a2a)
es decir
Cuando fusiona entidades (digamos dos vectores de características de dimensiones [matemática] d_1, d_2 [/ matemática]) normalizadas en el mismo dominio (digamos [0,1] para probabilidades), el vector de entidades fusionadas reside en una [matemática] [0,1 ] ^ {d_1 + d_2} [/ math] busca espacio.
Sin embargo, cuando los dominios son diferentes (por ejemplo, [matemática] [0,1] [/ matemática] y [matemática] \ {- \ infty, \ infty \} [/ matemática]), debe comprender el espacio de búsqueda de el vector de características fusionadas. Además, hará la clasificación después de la reducción de dimensionalidad y la extracción de características
(eliminando información redundante.
Por lo tanto, necesita buenas razones por las cuales esta es una mejor idea que, por ejemplo, combinarlas con pesos usando productos de puntos para construir una función de predicción lineal.
- ¿Cuál es el significado del lenguaje de máquina?
- ¿Cómo detectamos el sobreajuste y la falta de ajuste en Machine Learning?
- ¿Cómo se puede aplicar el aprendizaje automático para predecir el tiempo de entrega de un producto?
- He completado la clase Coursera de Andrew Ng sobre aprendizaje automático. ¿Qué debería hacer después? ¿Qué puedo hacer a continuación?
- ¿Un pequeño porcentaje de datos incorrectos (digamos entre 1% y 5%) en el conjunto de datos de entrenamiento impacta significativamente la efectividad del entrenamiento de una red neuronal?
