Machine learning 机器学习中的图像分类
我正在准备Azure机器学习考试,这里有一个问题让我困惑 您正在设计Azure机器学习工作流。你有一个 包含两百万张大型数码照片的数据集。你计划 检测照片中是否有树木。你需要确保 您的模型支持以下各项: 解决方案:创建一台机器 实现多类决策丛林的学习实验 模块。这符合目标吗 解决方案:创建一个实现 多类神经网络模块。这符合目标吗Machine learning 机器学习中的图像分类,machine-learning,azure-machine-learning-studio,azure-machine-learning-workbench,azure-machine-learning-service,Machine Learning,Azure Machine Learning Studio,Azure Machine Learning Workbench,Azure Machine Learning Service,我正在准备Azure机器学习考试,这里有一个问题让我困惑 您正在设计Azure机器学习工作流。你有一个 包含两百万张大型数码照片的数据集。你计划 检测照片中是否有树木。你需要确保 您的模型支持以下各项: 解决方案:创建一台机器 实现多类决策丛林的学习实验 模块。这符合目标吗 解决方案:创建一个实现 多类神经网络模块。这符合目标吗 第一个问题的答案是否定的,而第二个问题的答案是肯定的,但我无法理解为什么多类决策丛林不能达到目标,因为它是一个分类器。有人能给我解释一下原因吗?我想这是一系列问题的一部
第一个问题的答案是否定的,而第二个问题的答案是肯定的,但我无法理解为什么多类决策丛林不能达到目标,因为它是一个分类器。有人能给我解释一下原因吗?我想这是一系列问题的一部分,这些问题呈现了相同的情景。在这个场景中肯定会有一些限制。 此外,如果您查看以下内容: 然而,最近的研究表明,深层神经网络(DNN) 使用多个图层可以非常有效地执行复杂任务,例如图像处理 或语音识别。连续层用于建模 增加语义深度 因此,Azure建议使用神经网络进行图像分类。请记住,考试的目的是测试您使用Azure设计数据科学解决方案的能力,以便更好地使用他们的官方文档作为参考 与其他解决方案相比:
最后,我同意其他撰稿人的观点,即这个问题是荒谬的。希望这能有所帮助。这个问题实际上是一系列问题的一部分,这些问题呈现了具有多个选项的相同场景。这两种解决方案都将问题作为一个多类分类问题来处理,这是正确的。然而,这里的关键因素是维度 您的输入(图像)是高度维度的,需要深入学习才能有效。决策丛林将无法在如此高维的特征空间中有效地学习,而神经网络有更高的机会这样做
我希望有帮助 你确定第二个问题的答案是肯定的?毕竟,树/无树听起来像是一个二元问题,而不是一个多类问题…@desertnaut一个多类分类器能处理二元分类问题吗?这个问题本身听起来很荒谬;要么你有一个二元分类问题,你使用一个二元分类器,要么你有一个多类问题,你使用一个多类分类器。