Ai đó có thể chỉ cho tôi cách sử dụng phân loại SVM nhiều lớp trong Encog 3.1?Phân loại SVM nhiều lớp trong Encog
Tôi đã sử dụng mạng nơron của họ với một số thành công, nhưng không thể tìm ra cách thiết lập SVM nhiều lớp.
Các tài liệu có điều này để nói:.
"Đây là một mạng được hỗ trợ bởi một hoặc nhiều Vector Machines Hỗ trợ (SVM) Nó được thiết kế để hoạt động rất giống với một mạng lưới thần kinh Encog, và phần lớn là hoán đổi cho nhau với một mạng nơron Encog ..... Phân loại được sử dụng khi bạn muốn SVM nhóm dữ liệu đầu vào thành một hoặc nhiều lớp Hỗ trợ Vector Machines thường có một đầu ra duy nhất.Các mạng nơron có thể có nhiều nơron đầu ra. vấn đề này, lớp này sẽ tạo nhiều SVM nếu có nhiều hơn một đầu ra được chỉ định "
Tuy nhiên, tôi không thể xem cách chỉ định nhiều hơn một đầu ra, trên thực tế là thuộc tính đầu ra chỉ đơn giản là trả 1:
/// <value>For a SVM, the output count is always one.</value>
public int OutputCount
{
get { return 1; }
}
Answers trong Java hoặc C# được rất nhiều đánh giá cao
EDIT vẫn không thể làm việc này ra. Thực sự thích sử dụng Encog, nhưng diễn đàn hỗ trợ hoàn toàn chỉ với Jeff Heaton (tác giả của dự án) khi anh ấy có cơ hội, vì vậy tôi liên kết mã dự án và thêm tiền thưởng với hy vọng ai đó có thể thấy rõ ràng những gì tôi đang thiếu.
Dự án: http://heatonresearch.com/
Lớp SupportVectorMachine trên google mã: https://code.google.com/p/encog-cs/source/browse/trunk/encog-core/encog-core-cs/ML/SVM/SupportVectorMachine.cs
Tuyệt vời, cảm ơn vì đã trả lời, không biết tại sao tôi không nghĩ đến việc thử điều đó. Tìm Encog rất hữu ích thực sự. – Steve
Bạn không chỉ sử dụng hồi quy để phân loại? http://stackoverflow.com/questions/9160669/why-is-it-not-to-approach-classification-through-regression –
Đồng ý, thật tệ khi sử dụng hồi quy để phân loại, nhưng đó không phải là trường hợp ở đây. Trong Encog, SVM được chỉ định là hồi quy hoặc phân loại trong hàm tạo. Đây là hai thiết lập rất khác nhau cho SVM. Lưu ý hàm tạo có một giá trị sai, có nghĩa là nó là phân loại. Vì vậy, do đó giá trị của 1.0, 2.0 vv là số lớp. Nó luôn luôn sử dụng một đầu vào dấu chấm động để nhất quán. – JeffHeaton