Image processing 图像处理中的随机森林与支持向量机
我最近在研究图像识别。一个数据点由一个特征向量Image processing 图像处理中的随机森林与支持向量机,image-processing,machine-learning,classification,random-forest,Image Processing,Machine Learning,Classification,Random Forest,我最近在研究图像识别。一个数据点由一个特征向量x及其标签y组成。我使用的图像特征如下:gist、颜色组织图、HOG。我将这些特性矢量化,并将它们组合成x。对于标签y,它只能是21个标签中的一个 然后我将整个数据集随机分成两部分。我在第一部分训练了分类器,在第二部分测试了分类器的准确性。我使用的分类器是随机森林和支持向量机。 结果表明:对于随机森林,训练精度为0.99,测试精度为0.73;对于支持向量机,测试精度为0.20 有人能告诉我为什么他们如此不同吗 下面并没有解释准确度的下降,但是LIBS
x
及其标签y
组成。我使用的图像特征如下:gist、颜色组织图、HOG。我将这些特性矢量化,并将它们组合成x
。对于标签y
,它只能是21个标签中的一个
然后我将整个数据集随机分成两部分。我在第一部分训练了分类器,在第二部分测试了分类器的准确性。我使用的分类器是随机森林和支持向量机。
结果表明:对于随机森林,训练精度为0.99,测试精度为0.73;对于支持向量机,测试精度为0.20
有人能告诉我为什么他们如此不同吗 下面并没有解释准确度的下降,但是LIBSVM(如果你使用它的话)会进行一对一的分类,随机森林是一个自然的多类分类器。不过,我看不出在两种精度上存在如此差异的原因。几个问题:1。支持向量机的训练精度是多少?2.您是否尝试过使用调优成本和gamma参数,以及SVM的内核?SVM的性能如此之低对我来说听起来很奇怪。您是否使用openCV中的train_auto()或libsvm的参数选择工具grid.py?