Установка весов выборки для обучения сети, чтобы установить вклад каждой выборки в результат сети
Что мне нужно сделать, так это обучить классификационную сеть (например, инструмент распознавания образов), где каждый образец будет иметь разный вес. Вклад выборки в ошибку сети будет пропорционален ее весу.
Например, данные образцы с большим и меньшим весом; после обучения сеть будет классифицировать образцы с более высокими весами с большим успехом, жертвуя некоторой правильной классификацией образцов с меньшими весами.
Кто-нибудь знает как это сделать?
В настоящее время моя единственная идея о том, как достичь этой цели, будет следующей: для каждой итерации цикла:
1. Случайным образом собрать подмножество образцов с вероятностью выбора образца, пропорционального его весу.
2. поезд на 1 эпоху
ОТВЕЧАТЬ
Matlabsolutions.com предоставляет последнюю Помощь по домашним заданиям MatLab, Помощь по заданию MatLab для студентов, инженеров и исследователей в различных отраслях, таких как ECE, EEE, CSE, Mechanical, Civil со 100% выходом. Код Matlab для BE, B.Tech , ME, M.Tech, к.т.н. Ученые со 100% конфиденциальностью гарантированы. Получите проекты MATLAB с исходным кодом для обучения и исследований.
Вам придется пройти через эти 5 нитей BioID. Я не могу вспомнить подробности.
Однако, если обычная схема классификации должна иметь столбцы глаза (с) для целей, то умножение цели для одного вектора на вес, больший 1, улучшит ее правильную эффективность классификации. Кроме того, если используется logsig или softmax, расчетный апостериор всегда будет меньше 1.
Я не взвешивал отдельные векторы, только классы.
Обозначение: Термин «выборка» подразумевает группу данных, а не отдельный случай или измерение.
Используйте patternnet с «logsig» или «softmax» в качестве выходной передаточной функции.
Для c-классов используйте целевую матрицу, которая имеет столбцы c-мерной единичной матрицы eye(c).
Отношения между целевой матрицей, целочисленным (1:c) вектором-строкой индекса класса, целочисленным присвоенным вектором-строкой класса, вектором ошибки {0,1} и т. д.
target = ind2vec(classind); classind = vec2ind(target) % integers 1:c net = train(net, input, target); output = net(input); assigned = vec2ind(output) errors = (assigned ~= classind ) Nerr = sum(errors)
Индивидуальный класс
СМОТРИТЕ ПОЛНЫЙ ОТВЕТ НАЖМИТЕ НА ССЫЛКУ
