examplar特征提升策略2
2016-09-22 11:22:36 0 举报
特征提升策略2是一种通过组合或转换现有特征来创建新的特征,以提高模型性能的方法。这种方法通常用于处理线性不可分的问题,或者当现有的特征不足以捕捉到数据的所有重要信息时。例如,我们可以将两个或更多的特征相乘或相加,或者使用非线性函数(如对数、指数、平方根等)转换特征。此外,我们还可以使用领域知识来创建新的特征,这些特征可能更能反映问题的本质。特征提升策略2的目标是找到一组更有代表性、更有区分度的特征,从而提高模型的预测准确性。
作者其他创作
大纲/内容
调用NlP工具wordemb生成对应的词特征向量C_feature0
计算C_feature0和W_feature0~29之间的cosine距离,同时判断距离是否小于T=0.35(如果cosine距离==0.0则保留),将余下的图像样本按照视觉特征的cosine距离进行降序排序,取top5的均值当作examparN
调用NlP工具wordemb生成对应的词特征向量C_feature...
计算C_feature0和W_feature0~29之间的cosine距离,同时判断距离是否小于T=0.35(如果cosine距离==0.0则保留),将余下的图像样本按照视觉特征的cosine距离进行降序排序,取top5的均值当作exampar0
调用NlP工具wordemb生成对应的词特征向量C_featureN
输出examplar0
输出examplar1
候选词1
计算C_feature0和W_feature0~29之间的cosine距离,同时判断距离是否小于T=0.35(如果cosine距离==0.0则保留),将余下的图像样本按照视觉特征的cosine距离进行降序排序,取top5的均值当作exampar...
计算C_feature0和W_feature0~29之间的cosine距离,同时判断距离是否小于T=0.35(如果cosine距离==0.0则保留),将余下的图像样本按照视觉特征的cosine距离进行降序排序,取top5的均值当作exampar1
调用NlP工具wordemb生成对应的词特征向量C_feature1
输入图像
图搜中获得30幅图像
候选词0
........
输出examplarN
输出examplar...
候选词N
0 条评论
下一页