Machine learning 为什么在训练中使用负面图像？

在训练分类器时，我们为什么要使用负片或背景图像？它们是如何用于训练对象分类器的？

---

有谁能解释一下使用MATLAB等编程语言进行培训的一般过程吗？

培训本身就是一个优化问题。该优化问题试图优化分类精度。如果没有-ve样本，就不会有优化问题，边界可以设置为+，-infinite，将所有样本分类为正

训练本身就是一个优化问题。该优化问题试图优化分类精度。如果没有-ve个样本，就不会有优化问题，边界可以设置为+，-infinite，首先将所有样本分类为正

，我怀疑您是否会得到关于如何在matlab中训练分类器的答案。这是一个非常模糊的问题。这在很大程度上取决于您的数据和目标，基本上有几十到几百种算法可以执行分类，但并不是那么简单

对于主要问题，为什么要将负样本提供给分类器。这在很大程度上取决于您使用的分类器，但简言之，有两种分类模型（还有更多，但要总结一下）：和

生成模型旨在对目标类别（例如，您正试图对汽车建模）的统计数据（外观或任何其他类型的特征）进行建模。生成模型将学习识别汽车的方法（仅从正面示例的训练数据中）。这是，给定一个随机样本，它将告诉你该样本由你的汽车模型创建的可能性。举一个愚蠢的例子，如果你的模型是一个单变量的高斯分布，那么模型会告诉你该数据样本（点）从你学到的高斯分布中被采样的可能性

当您没有负面的培训数据，或者您的数据可以通过简单的分布进行建模时，生成模型非常有用。。但是模型只知道汽车是什么样子的，它不知道汽车是什么样子的

另一方面，判别模型学习更复杂（通常更健壮）的规则来区分目标类。拥有一组目标对象（例如汽车和背景，或汽车、自行车、房屋和天空），该算法不是学习汽车的外观，而是尝试学习汽车与背景的区别

---

如果你的记忆中只有100张汽车的图片，然后你得到一张摩托车的图片，你很难说摩托车不是汽车（你以前从未见过），这两张图片都有背景和轮子。但是，如果给你50张汽车图像，再给你50张随机街道图像（包括自行车），你可以学习更紧密的关系，以便将来尝试识别汽车。

首先，我怀疑你是否能得到

如何在matlab中训练分类器的答案。这是一个非常模糊的问题。这在很大程度上取决于您的数据和目标，基本上有几十到几百种算法可以执行分类，但并不是那么简单

对于主要问题，为什么要将负样本提供给分类器。这在很大程度上取决于您使用的分类器，但简言之，有两种分类模型（还有更多，但要总结一下）：和

生成模型旨在对目标类别（例如，您正试图对汽车建模）的统计数据（外观或任何其他类型的特征）进行建模。生成模型将学习识别汽车的方法（仅从正面示例的训练数据中）。这是，给定一个随机样本，它将告诉你该样本由你的汽车模型创建的可能性。举一个愚蠢的例子，如果你的模型是一个单变量的高斯分布，那么模型会告诉你该数据样本（点）从你学到的高斯分布中被采样的可能性

当您没有负面的培训数据，或者您的数据可以通过简单的分布进行建模时，生成模型非常有用。。但是模型只知道汽车是什么样子的，它不知道汽车是什么样子的

另一方面，判别模型学习更复杂（通常更健壮）的规则来区分目标类。拥有一组目标对象（例如汽车和背景，或汽车、自行车、房屋和天空），该算法不是学习汽车的外观，而是尝试学习汽车与背景的区别

如果你的记忆中只有100张汽车的图片，然后你得到一张摩托车的图片，你很难说摩托车不是汽车（你以前从未见过），这两张图片都有背景和轮子。但是，如果给你50张汽车图片，再给你50张随机街道图片（包括自行车），你可以学习更牢固的关系，以便将来尝试识别汽车。
请提供示例图像或其他信息。你可以用任何东西来训练分类器。。。如果没有上下文，你就不会得到一个好的答案，因为你想给学习算法举例说明什么是不需要寻找的。提供一个具有所有正面图像的机器学习系统意味着它只会假设一切都是正面的。从人类大脑的角度考虑一下。。。我们如何确切地知道汽车的性能和外观？我们看到的图像不是汽车，我们从中学习。请提供示例图像或其他信息。你可以用任何东西来训练分类器。。。如果没有上下文，你就不会得到一个好的答案，因为你想给学习算法举例说明什么是不需要寻找的。提供一个拥有所有正面图像的机器学习系统意味着它只会假设