Image processing 如何计算连续特征的信息增益
如果我没有任何离散值,我在寻找信息增益的正确参数时遇到了问题,因此我首先需要将这些点离散成区间 我拥有的: 我在做图像处理,我的特征可能在0-255之间。通过一些训练数据,我可以定义一些间隔(仅定义“是对象”或“不是对象”)。IfImage processing 如何计算连续特征的信息增益,image-processing,machine-learning,feature-extraction,entropy,information-extraction,Image Processing,Machine Learning,Feature Extraction,Entropy,Information Extraction,如果我没有任何离散值,我在寻找信息增益的正确参数时遇到了问题,因此我首先需要将这些点离散成区间 我拥有的: 我在做图像处理,我的特征可能在0-255之间。通过一些训练数据,我可以定义一些间隔(仅定义“是对象”或“不是对象”)。Ifgoods是匹配点的间隔数,bads标记为其环境。我会用这个方法计算的 本案例的信息增益: 在哪里 结果和想法: 出于某种原因,我最终得到了一个否定的IG,这完全是胡说八道,但我看不出有什么错误。另一个想法是不计算good的对象匹配间隔,而是计算good中适合任何
goods
是匹配点的间隔数,bads
标记为其环境。我会用这个方法计算的
本案例的信息增益:
在哪里
结果和想法:
出于某种原因,我最终得到了一个否定的IG,这完全是胡说八道,但我看不出有什么错误。另一个想法是不计算good
的对象匹配间隔,而是计算good
中适合任何良好间隔的样本
有人有什么想法吗?我看不出你在发行前后(或p和Q)都有什么想法 从一种情况到另一种情况,你改变了什么吗?不清楚 看 似乎好+坏代表了整个分布 所以你需要做一些改变,从一个(好的,坏的)转到另一个(好的,坏的) 然后,您可以正确地应用公式,或者按照下面的示例进行操作
你的公式似乎有问题。如果我没有看到这样的东西,我也不会有解决办法。问题是我不知道我哪里出错了我想你是在尝试培训一个图像识别/处理系统,对吗?我所指的两种情况是:你训练了你的系统,得到了性能A:good=X,bad=Y,然后再次训练,得到了B:good=Z,bad=W。我可以验证你有这两种情况(A,B)要比较,我们可以进一步接近它:IG=[熵(X/(X+Y))+熵(Y/(X+Y))-[熵(Z/(Z+W))]-你不能通过一次实验获得信息-你能通过静止来移动吗?解决方案:如果有人有类似的问题。我错过了在0-255的整个范围内徘徊,以找到特定功能信息增益的最佳分割位置。