Image 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 如何计算连续特征的信息增益

image-processing machine-learning

Image 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

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”）。If

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。