Как повысить точность классификации для машинного обучения

Question

Я использовал машину экстремального обучения для целей классификации и обнаружил, что моя точность классификации составляет всего 70%, что заставляет меня использовать метод ансамбля, создавая более классификационную модель, и данные тестирования будут классифицируются на основе большинства классификаций моделей. Однако этот метод только увеличивает точность классификации с небольшим отрывом. Могу ли я спросить, каковы другие методы, которые могут быть использованы для повышения точности классификации линейно неразделенного набора данных размером 2 измерения?

Answer 1

Ваш вопрос очень широк ... Нет никакого способа помочь вам правильно, не зная о реальной проблеме, которую вы лечите. Но некоторые методы повышения точности классификации, в целом говоря, заключаются в следующем:

1 - Проверка перекрестка: разделите набор данных поезда группами, всегда разделяйте группу для прогнозирования и меняйте группы в каждом исполнении. Затем вы узнаете, какие данные лучше подготовить более точную модель.

2 - Cross Dataset: То же, что и перекрестная проверка, но с использованием разных наборов данных.

3 - Настройка вашей модели: в основном они меняют параметры, которые вы используете, для обучения вашей модели классификации (IDK, который алгоритм классификации вы используете, чтобы его было сложно, чтобы помочь больше).

4 - Улучшите или используйте (если вы не используете) процесс нормализации: узнайте, какие методы (изменение геометрии, цвета и т. Д.) Предоставят вам более сжатые данные для использования в обучении.

5 - Понимать больше проблем, с которыми вы обращаетесь ... Попробуйте реализовать другие методы для решения одной и той же проблемы. Всегда есть как минимум несколько способов решить ту же проблему. Возможно, вы не используете лучший подход.