我对机器学习的一些基本概念有疑问 . 我观察到的例子给出了一个简要的概述 . 为了训练系统，给出了特征向量作为输入 . 在监督学习的情况下，标记数据集 . 我对标签感到困惑 . 例如，如果我必须区分两种类型的图片，我将提供一个特征向量，在输出端进行测试，我将为类型A提供1，为类型B提供2.但是如果我想提取一个感兴趣的区域来自图像数据集 . 如何使用SVM标记我的数据以提取ROI . 我希望我能够表达我的困惑 . 谢谢你的期待 .
在监督学习中，例如SVM，数据集应该如下组成：
<i-th feature vector><i-th label>
其中 i 从1变为训练集中的模式数（也是示例或观察数），因此这表示训练集中的单个记录可用于训练SVM分类器 .
i
所以你基本上有一个由这样的元组组成的集合，如果你只有2个标签（二进制分类问题），你可以很容易地使用SVM . 实际上，SVM模型将通过训练集和训练标签进行训练，一旦训练阶段结束，您可以使用另一组（称为验证集或测试集），其结构与训练集相同，测试SVM的准确性 .换句话说，SVM工作流程的结构应如下所示：
使用训练集和训练标签训练SVM
使用上一步中训练的模型预测验证集的标签
如果您知道实际验证标签是什么，您可以将预测标签与实际标签相匹配，并检查已正确预测的标签数量 . 正确预测标签数与验证集中标签总数之间的比率返回[0; 1]之间的标量，它称为SVM模型的准确性 .
如果您对ROI感兴趣，您可能需要检查训练有素的SVM参数（主要是权重和偏差）来重建分离超平面
同样重要的是要知道训练集记录应该是正确的，先验标记：如果训练标签不正确，SVM将永远无法正确预测先前看不见的模式的输出 . 您不必根据要提取的ROI标记数据，必须事先正确标记数据：SVM将具有整个A类图片集和B类图片集，并将学习决策边界分离A型图片和B型图片 . 你不必欺骗标签：如果你这样做，你基本上会欺骗结果 .
1 回答
在监督学习中，例如SVM，数据集应该如下组成：
其中
i从1变为训练集中的模式数（也是示例或观察数），因此这表示训练集中的单个记录可用于训练SVM分类器 .所以你基本上有一个由这样的元组组成的集合，如果你只有2个标签（二进制分类问题），你可以很容易地使用SVM . 实际上，SVM模型将通过训练集和训练标签进行训练，一旦训练阶段结束，您可以使用另一组（称为验证集或测试集），其结构与训练集相同，测试SVM的准确性 .
换句话说，SVM工作流程的结构应如下所示：
使用训练集和训练标签训练SVM
使用上一步中训练的模型预测验证集的标签
如果您知道实际验证标签是什么，您可以将预测标签与实际标签相匹配，并检查已正确预测的标签数量 . 正确预测标签数与验证集中标签总数之间的比率返回[0; 1]之间的标量，它称为SVM模型的准确性 .
如果您对ROI感兴趣，您可能需要检查训练有素的SVM参数（主要是权重和偏差）来重建分离超平面
同样重要的是要知道训练集记录应该是正确的，先验标记：如果训练标签不正确，SVM将永远无法正确预测先前看不见的模式的输出 . 您不必根据要提取的ROI标记数据，必须事先正确标记数据：SVM将具有整个A类图片集和B类图片集，并将学习决策边界分离A型图片和B型图片 . 你不必欺骗标签：如果你这样做，你基本上会欺骗结果 .