组合多个分类器构建多模态分类器

数据挖掘 分类 支持向量机
2022-01-29 17:54:29

假设我有兴趣对由不同内容类型组成的一组实例进行分类，例如：

  • 一段文字
  • 图像_

作为relevant或non-relevant针对特定类C。

在我的分类过程中，我执行以下步骤：

  1. 给定一个示例，我将其细分为文本和图像
  2. 第一个 SVM 二元分类器 ( SVM-text)，仅对文本进行训练，将文本分类为relevant/non-relevant类C
  3. 仅在图像上训练的第二个 SVM 二元分类器 ( SVM-image) 将图像分类为relevant/non-relevant类C

两者SVM-text并SVM-image产生对所分析内容（文本或图像）与该类相关的概率的估计C。鉴于此，我能够说明文本是否相关C以及图像是否相关C。

然而，这些估计对原始样本的片段（文本或图像）有效，而不清楚如何获得对整个原始样本（文本+图像）的一般意见。如何方便地结合两个分类器的意见，从而得到对整个原始样本的分类？

1个回答

基本上，您可以做以下两件事之一：

  1. 结合来自两个分类器的特征。即，SVM-text您SVM-image可以训练SVM同时使用文本和视觉特征的单曲。
  2. 使用集成学习。如果您已经有来自不同分类器的概率，您可以简单地将它们用作权重并计算加权平均值。对于更复杂的情况，有贝叶斯组合器（每个分类器都有其先验）、提升算法（例如，参见AdaBoost）等。

请注意，最初创建的集合是为了组合不同的学习者，而不是不同的特征集。在后一种情况下，集成具有优势，主要是在不同类型的特征不能有效地组合在一个向量中的情况下。但总的来说，组合特征更简单、更直接。

其它你可能感兴趣的问题
上一篇麻烦代表一个问题 下一篇用于评估文本检索质量的数据集