ekaiomen Δημοσ. 5 Απριλίου 2011 Share Δημοσ. 5 Απριλίου 2011 Καλησπέρα, Θα ήθελα μια ιδέα σχετικά με το εξής.. Έχει φτιάξει ένα σύστημα σε matlab που ταξινομεί κάποια δεδομένα σε 2 κλάσεις. Για να το κάνει αυτό έχω υλοποιήσει 5 ταξινομητές. Θέλω τώρα να κάνω κάτι σαν ταξινόμηση και με τους 5 για καλύτερα αποτελέσματα. Οκ στην απλή περίπτωση παίρνω απόφαση βάση majority vote, θέλω όμως να βάλω και άλλους τρόπους , όπως πχ άθροισμα πιθανοτήτων να ανήκει στην 1 ή στην 2 κλάση. Όταν έχω το ΚΝΝ ταξινομητή τα πράγματα είναι απλά καθώς απο τους γείτονες , μεταπηδάω εύκολα σε πιθανότητες , στον minimum distance ή στο PNN με ποια λογική όμως θα μπορούσα να βγάλω πιθανότητες;; Στο minimum distance έχω απλά δύο αποστάσεις απο το μέσο της κάθε κλάσης και σε οποίο είναι κοντίτερα ταξινομείται.. Πως γίνεται να μπορώ να έχω μια απάντηση του στύλ 80% στην 1 και 20% στην 2 κλάση;;;;; Συνδέστε για να σχολιάσετε Κοινοποίηση σε άλλες σελίδες άλλες επιλογές
Technology fan Δημοσ. 5 Απριλίου 2011 Share Δημοσ. 5 Απριλίου 2011 Βιβλιογραφικά ψάξε για fuzzy logic, a.k.a ασαφή λογική, Στη συγκεκριμένη περίπτωση όμως το πρόβλημα είναι απλό. Για χάρην ευκολίας θα δώσω ένα παράδειγμα, αν ένα instance προς ταξινόμηση έχει να διαλέξει ανάμεσα απο 5 κλάσεις τότε με κάποιο μέτρο (όποιο θέλεις...) θα έχεις 5 αποστάσεις. έστω >A=[0.8147,0.9058,0.1270,0.9134,0.6324] , Υποθέτω κατα σύμβαση οτι όσο μικρότερο το μέτρο τόσο πιθανό να ανήκει σε εκείνη την κλάση οπότε περιμένω να έχει μεγάλη ομοιότητα με την κλαση που έχει μετρο: 0,1270, Τώρα κάνω κανονικοποίηση οπότε >Α=Α/sum(A) 0.2401 0.2669 0.0374 0.2692 0.1864 Edit: Σε περίπτωση όπου μεγάλο μέτρο εκφράζει μεγάλη ομοιότητα τότε σταματάω εδώ, μοιάζει 24,01% με την πρώτη 26,69% με την δεύτερη κ.ο.κ όσο πιο μικρό τόσο μεγαλύτερη ομοιότητα οπότε αντιστρέφω το αποτέλεσμα: >B=1-A 0.7599 0.7331 0.9626 0.7308 0.8136 Όμως πάλι θέλει κανονικοποίηση: >Β=B/sum( 0.1900 0.1833 0.2406 0.1827 0.2034 Οπότε μοιάζει 19% με την πρώτη κλάση , 18.33% με την δεύτερη κ.ο.κ. πρόσεξε οτι το μεγαλύτερο ποσοστό το πήρε αυτή που αναμενόταν.. Πρέπει να υπάρχουν και άλλοι τρόποι αλλα εμένα αυτός μου φαίνεται ο πιο κατανοητός. Συνδέστε για να σχολιάσετε Κοινοποίηση σε άλλες σελίδες άλλες επιλογές
ekaiomen Δημοσ. 6 Απριλίου 2011 Μέλος Share Δημοσ. 6 Απριλίου 2011 ΑΠλό και λογικό... Χίλια ευχαριστώ φίλε μου.. Μόνο ένα προβληματάκι εδώ , εάν φύγουμε απο το θέμα τις απόστασεις και το γενικοποιήσουμε σε discriminant function και άρα οι τιμές δύναται να είναι και αρνητικές. Όλα καλά εάν και τα δύο είναι θετικά , όλα καλά εάν και τα δύο είναι αρνητικά (με μια αντιστροφή Α=1-Α των τιμών) αλλά εάν έχω ένα θετικό και ένα αρνητικό , τι γίνεται ?? Το πρώτο που μου έρχεται στο μυαλό είναι να προσθέσω στο καθένα την μικρότερη τιμή. Σε αυτήν την περίπτωση όμως εάν ασχολούμε με δύο κλάσεις θα έχω 1 (ή 100%) απόφαση για την μια και μηδέν για την άλλη.. Κάποιος άλλος τρόπος εδώ ?? Συνδέστε για να σχολιάσετε Κοινοποίηση σε άλλες σελίδες άλλες επιλογές
insomniaK Δημοσ. 6 Απριλίου 2011 Share Δημοσ. 6 Απριλίου 2011 Νομίζω ότι δεν πρέπει να πάρεις το Α=1-Α, αλλά το Α=|Α|, διότι αυτό που δείχνει το αποτέλεσμα είναι κατά πόσο είναι διακριτά (διαφορετικά) αυτά που συγκρίνεις. Μπορεί να λέω και παπαριές, απλά μου ρθε ως ιδέα. Συνδέστε για να σχολιάσετε Κοινοποίηση σε άλλες σελίδες άλλες επιλογές
Technology fan Δημοσ. 6 Απριλίου 2011 Share Δημοσ. 6 Απριλίου 2011 Αν έχει νόημα το αρνητικό μέτρο ομοιότητας (πράγμα σχετικά δύσκολο...) προφανώς ναι αλλάζει η Κανονικοποίηση και θα πρέπει να να κάνεις πρώτα όλα μη αρνητικά αφαιρώντας την ελάχιστη τιμή! Συνδέστε για να σχολιάσετε Κοινοποίηση σε άλλες σελίδες άλλες επιλογές
ekaiomen Δημοσ. 8 Απριλίου 2011 Μέλος Share Δημοσ. 8 Απριλίου 2011 Με την υλοποίηση που έχω κάνει έχει νόημα η αρνητική τιμή.. Το πρώτο σκεπτικό μου ήταν αυτό που λες , να προσθέσω δηλαδή την ελάχιστη τιμή αλλά ετσι έστελνα μια πιθανότητα στο 100% και μία στο 0 %. Μάλλον σκέφτομαι πριν κάνω την διαδικασία που είπες αρχικά να του ρίξω ένα εκθετικό (exp) και έτσι να ξεπεράσω το πρόβλημα... Συνδέστε για να σχολιάσετε Κοινοποίηση σε άλλες σελίδες άλλες επιλογές
Technology fan Δημοσ. 8 Απριλίου 2011 Share Δημοσ. 8 Απριλίου 2011 Με την υλοποίηση που έχω κάνει έχει νόημα η αρνητική τιμή.. Το πρώτο σκεπτικό μου ήταν αυτό που λες , να προσθέσω δηλαδή την ελάχιστη τιμή αλλά ετσι έστελνα μια πιθανότητα στο 100% και μία στο 0 %. Μάλλον σκέφτομαι πριν κάνω την διαδικασία που είπες αρχικά να του ρίξω ένα εκθετικό (exp) και έτσι να ξεπεράσω το πρόβλημα... Περίεργο για τί μέτρο ομοιότητας πρόκειται?? Με το εκθετικό όμως δεν ξέρω κατα πόσο έχει νόημα, επειδή το χάσμα ανάμεσα σε δύο τιμές μεγαλώνει χρησιμοποιώντας εκθετικό! Συνδέστε για να σχολιάσετε Κοινοποίηση σε άλλες σελίδες άλλες επιλογές
ekaiomen Δημοσ. 10 Απριλίου 2011 Μέλος Share Δημοσ. 10 Απριλίου 2011 Χρησιμοποιώ αυτό το σκεπτικο σε 4 ταξινομητές, για παράδειγμα στον MDC για να γλυτώσω κάποιο υπολογιστικό χρόνο έχω απλοποιήσει το discriminant function την σχέση δηλαδή που μου δίνει την απόσταση με απλές μαθηματικές ταυτότητες-ιδιότητες κτλ και έχω καταλήξει σε μία σχέση που έχει ελαφρώς λιγότερες πράξεις (για κέρδος υπολογιστικού χρόνου) αλλά αυτή η σχέση πέρνει και αρνητικές τιμές.. ϊσως χαζό αλλά έτσι το έχω υλοποιήσει... Τώρα μου μένει να βρώ τρόπο να κάνω αυτό και στον SVM αλλά εκεί λογικά πρέπει να αλλάξω κάποιοες απο τις εξόδους τον συναρτησεων του matlab... Θα την βρω την άκρη.. Ευχαριστώ πολλή για την βοήθεια........ Συνδέστε για να σχολιάσετε Κοινοποίηση σε άλλες σελίδες άλλες επιλογές
Προτεινόμενες αναρτήσεις
Αρχειοθετημένο
Αυτό το θέμα έχει αρχειοθετηθεί και είναι κλειστό για περαιτέρω απαντήσεις.