最近我参加了我所在城市的数据科学聚会，有一个关于神经网络与SVM连接的讨论 . 不幸的是，主持人不得不在演讲后立即退出，所以我无法提出一些问题 .
我想知道这怎么可能？他正在谈论使用神经网络进行分类，后来他使用SVM分类器将准确度和精度提高了大约10％ .
我在神经网络中使用Keras，在ML的其余部分使用SKlearn .
这是完全可能的，实际上很常见 . 您只需选择神经网络层的输出，并将其用作特征向量来训练SVM . 通常，也可以对特征向量进行归一化 .
（卷积）神经网络学到的特征足够强大，可以推广到不同类型的对象甚至是完全不同的图像 . 有关示例，请参阅论文CNN Features off-the-shelf: an Astounding Baseline for Recognition .
关于实现，你只需要训练一个神经网络，然后选择其中一个层（通常是完全连接的层之前或第一个完全连接的层），在数据集上运行神经网络，存储所有特征向量，然后用不同的库（例如sklearn）训练SVM .
1 回答
这是完全可能的，实际上很常见 . 您只需选择神经网络层的输出，并将其用作特征向量来训练SVM . 通常，也可以对特征向量进行归一化 .
（卷积）神经网络学到的特征足够强大，可以推广到不同类型的对象甚至是完全不同的图像 . 有关示例，请参阅论文CNN Features off-the-shelf: an Astounding Baseline for Recognition .
关于实现，你只需要训练一个神经网络，然后选择其中一个层（通常是完全连接的层之前或第一个完全连接的层），在数据集上运行神经网络，存储所有特征向量，然后用不同的库（例如sklearn）训练SVM .