Bueno, la respuesta es un poco complicada porque la pregunta no es clara. La respuesta depende del problema y el dominio en el que está trabajando. Las imágenes se codifican en características, las características se utilizan para la discriminación y el reconocimiento de objetos. Las características son los códigos comprensibles de la máquina que describen las características de diferentes objetos presentes en una imagen. Pueden o no ser entendibles para los humanos cada vez.
Las características de los objetos pueden ser información geométrica como área, perímetro, redondez, circularidad y rectangularidad; parámetros estadísticos como la media, la desviación estándar de una parte o la totalidad de la imagen. Información de color, información de histograma también utilizada como características.
Las propiedades ideales de las características son: Deben ser invariables a los cambios de escala, traslación, rotación y condiciones de iluminación. Características como SIFT, SURF satisfacen estas propiedades. Por lo tanto, debe revisar los requisitos de su problema y seleccionar el algoritmo apropiado para resolverlo de manera eficiente.
- ¿Cuál es la entrada para un clasificador Naive Bayes?
- Si hay investigaciones que muestran que una máquina interactúa con un humano dentro de la realidad a través de una conciencia cuántica, ¿cómo se recibirá?
- ¿Tendrán alguna coincidencia los modelos gráficos probabilísticos y el aprendizaje profundo?
- En el análisis de sentimientos, ¿cómo son útiles los datos etiquetados por humanos para extraer características y capacitar a los clasificadores en el enfoque de aprendizaje automático?
- ¿Qué sucede cuando los conjuntos de datos de entrenamiento y los conjuntos de datos de prueba son los mismos en un proyecto de aprendizaje automático?
No se pueden justificar las ventajas y limitaciones de la ejecución de diferentes algoritmos. Ningún algoritmo de selección de características es superior a otros. El rendimiento del algoritmo depende en gran medida del conjunto de datos en el que está trabajando.
