Học sâu so với cây quyết định và phương pháp thúc đẩy


18

Tôi đang tìm kiếm các bài báo hoặc văn bản so sánh và thảo luận (theo kinh nghiệm hoặc lý thuyết):

với

Cụ thể hơn, có ai biết một văn bản thảo luận hoặc so sánh hai khối phương thức ML này về tốc độ, độ chính xác hoặc độ hội tụ không? Ngoài ra, tôi đang tìm kiếm các văn bản giải thích hoặc tóm tắt sự khác biệt (ví dụ: ưu và nhược điểm) giữa các mô hình hoặc phương pháp trong khối thứ hai.

Bất kỳ con trỏ hoặc câu trả lời giải quyết các so sánh như vậy trực tiếp sẽ được đánh giá rất cao.

Câu trả lời:


1

Bạn có thể cụ thể hơn về các loại dữ liệu bạn đang xem? Điều này phần nào sẽ xác định loại thuật toán nào sẽ hội tụ nhanh nhất.

Tôi cũng không chắc chắn làm thế nào để so sánh các phương pháp như boosting và DL, vì boost thực sự chỉ là một tập hợp các phương thức. Những thuật toán khác mà bạn đang sử dụng với việc tăng cường?

Nói chung, các kỹ thuật DL có thể được mô tả như là các lớp của bộ mã hóa / giải mã. Đào tạo trước không giám sát hoạt động bằng cách đào tạo trước mỗi lớp bằng cách mã hóa tín hiệu, giải mã tín hiệu, sau đó đo lỗi tái cấu trúc. Điều chỉnh sau đó có thể được sử dụng để có hiệu suất tốt hơn (ví dụ: nếu bạn sử dụng khử nhiễu tự động xếp chồng, bạn có thể sử dụng lan truyền ngược).

Một điểm khởi đầu tốt cho lý thuyết DL là:

http://citeseerx.ist.psu.edu/viewdoc/doad?doi=10.1.1.73.795&rep=rep1&type=pdf

cũng như những điều này:

http://portal.acm.org/cites.cfm?id=1756025

(xin lỗi, phải xóa liên kết cuối cùng do hệ thống lọc SPAM)

Tôi không bao gồm bất kỳ thông tin nào về RBM, nhưng chúng có liên quan chặt chẽ với nhau (mặc dù cá nhân ban đầu hơi khó hiểu hơn).


Cảm ơn @f (x), tôi quan tâm đến việc phân loại các phân đoạn hoặc bản vá pixel (2D hoặc 3D), nhưng tôi muốn giữ câu hỏi gốc càng chung chung càng tốt. Nếu các phương pháp khác nhau hoạt động tốt nhất trên các loại bộ dữ liệu khác nhau, tôi sẽ quan tâm đến một cuộc thảo luận giải quyết những khác biệt này.
Amelio Vazquez-Reina

1
Nói chung về mặt xử lý hình ảnh, các phương thức DL sẽ hoạt động như các trình trích xuất tính năng, sau đó có thể được ghép nối với các SVM để thực hiện phân loại. Các phương pháp này thường có thể so sánh với các phương pháp chế tạo bằng tay như SIFT, SURF và HOG. Các phương thức DL đã được mở rộng thành video với CRBM có kiểm soát và ISA. Các phương pháp chế tạo bằng tay bao gồm HOG / HOF, HOG3d và eSURF (xem Wang et al. 2009 để so sánh tốt).
dùng5268

1

Câu hỏi tuyệt vời! Cả tăng cường thích ứng và học sâu có thể được phân loại là mạng học tập xác suất. Sự khác biệt là "học sâu" đặc biệt liên quan đến một hoặc nhiều "mạng lưới thần kinh", trong khi "tăng cường" là một "thuật toán học siêu" đòi hỏi một hoặc nhiều mạng học, được gọi là người học yếu, có thể là "bất cứ thứ gì" (nghĩa là mạng lưới thần kinh, cây quyết định, vv). Thuật toán tăng cường lấy một hoặc nhiều mạng người học yếu để tạo thành cái gọi là "người học mạnh", có thể "tăng" đáng kể kết quả của mạng học tập tổng thể (ví dụ như Máy dò tìm khuôn mặt Viola và Jones, OpenCV của Microsoft).

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.