Artificial intelligence 机器学习，最佳技术
我是机器学习新手。我熟悉支持向量机、神经网络和遗传算法。我想知道最好的图片和音频分类技术。SVM做得不错，但需要很多时间。有人知道更快更好的吗？另外，我还想知道支持向量机最快的库。你的问题很好，而且与分类算法的最新技术有关，正如你所说，分类器的选择取决于你的数据，对于图像，我可以告诉你有一种叫做Ada Boost的方法，请阅读并了解更多信息，另一方面，你可以发现很多人正在做一些研究，例如在[罗德里戈·弗斯查，哈维尔·鲁伊斯·德尔·索拉和毛里西奥·科雷亚]他们说： “Adaboost mLBP优于所有其他基于Adaboost的方法以及基线方法（SVM、PCA和PCA+SVM）”Artificial intelligence 机器学习，最佳技术,artificial-intelligence,machine-learning,svm,Artificial Intelligence,Machine Learning,Svm,我是机器学习新手。我熟悉支持向量机、神经网络和遗传算法。我想知道最好的图片和音频分类技术。SVM做得不错，但需要很多时间。有人知道更快更好的吗？另外，我还想知道支持向量机最快的库。你的问题很好，而且与分类算法的最新技术有关，正如你所说，分类器的选择取决于你的数据，对于图像，我可以告诉你有一种叫做Ada Boost的方法，请阅读并了解更多信息，另一方面，你可以发现很多人正在做一些研究，例如在[罗德里戈·弗斯查，哈维尔·鲁伊斯·德尔·索拉和毛里西奥·科雷亚]他们说： “Adaboost mLBP优于
看一看。如果您主要关心的是速度，您可能应该看一看基于随机梯度下降的支持向量机训练算法。对于此类任务，您可能需要首先提取特征。只有这样分类才可行。我认为特征提取和选择很重要 对于图像分类，有很多特征，如原始像素、特征、颜色、纹理等。最好选择一些适合您任务的特征 我不熟悉音频分类，但可能有一些specturm功能，比如信号的傅里叶变换 用于分类的方法也很重要。除了问题中的方法外，KNN也是一个合理的选择
实际上，使用什么特征和方法与任务密切相关 如果特征的数量与培训示例的数量相比较大 那么你应该选择逻辑回归或无核支持向量机
如果特征数量较少且训练示例数量中等 然后你应该使用SVN和高斯核 特征数量少，训练示例数量多 使用逻辑回归或无核支持向量机
这是根据stanford ML类得出的。该方法主要取决于手头的问题。对于任何问题，没有一种方法总是最快的。话虽如此，你也应该记住，一旦你为速度选择了一个算法，你就会开始在准确性上妥协 例如，由于您尝试对图像进行分类，与手头的训练样本数量相比，可能会有很多特征。在这种情况下，如果你选择带核的SVM，你可能会因为方差太高而过度拟合。 因此，您需要选择一种具有高偏差和低方差的方法。使用逻辑回归或线性支持向量机是一些方法 您还可以使用不同类型的正则化或技术（如SVD）来删除对输出预测贡献不大且只有最重要的特征的特征。换言之，选择它们之间相关性很小或没有相关性的特征。一旦你这样做了，你将能够在不牺牲准确性的情况下加速你的SVM算法
希望有帮助。学习机器有一些好的技巧，比如boosting和adaboost。 一种分类方法是boosting方法。该方法将迭代地处理数据，然后在每次迭代中由特定的基本分类器对数据进行分类，从而构建分类模型。Boosting在每次迭代中使用每个数据的权重，其权重值将根据要分类的数据的难度级别而变化。
而adaBoost方法是一种利用损失函数指数函数来提高预测精度的可嵌入技术。谢谢您的回复。我会读的。你也碰巧知道一个很好的SVM天秤吗？我知道SVMlight和libSVM。SVM的速度更快，我用过[weka][1]，它是一个很好的
javak