ActiveClassification
ActiveClassification[f,{conf1,conf2,…}]
给出一个对象,表示通过应用函数 f 来确定实例配置 confi 的类别所获得的主动分类结果.
ActiveClassification[f,reg]
在 reg 指定的区域内生成配置.
ActiveClassification[f,sampler]
通过应用函数 sampler 生成配置.
ActiveClassification[f,{conf1,conf2,…}nsampler]
应用函数 nsampler 连续生成从其中一个 confi 开始的配置.
更多信息和选项
- ActiveClassification[…] 返回 ActiveClassificationObject[…],可以用 ActiveClassificationObject[…]["prop"] 获取其属性.
- 可能的属性包括:
-
"EvaluationHistory" 使用过的配置和为之分配的类别 "Method" 用于主动分类的方法 "ClassifierFunction" 获得的最佳 ClassifierFunction[…] "ClassifierMeasurementsObject" 获得的最新 ClassifierMeasurementsObject[…] "LearningCurve" 平均交叉熵演化图 "Properties" 所有可用属性的列表 - 配置可以是 Classify(单个数据元素、数据元素列表、数据元素组成的关联等)接受的任何形式和 Classify (数字、文字、声音、图像等)接受的任何类型.
- 当被应用于配置 conf 时,函数 f 的输出被解释为标签.
- 在 ActiveClassification[f,spec] 中,spec 定义了函数 f 的域. 可以由配置列表、几何区域或配置生成函数定义域.
- 在 ActiveClassification[f,sampler] 中,sampler[] 必须输出适合 f 应用的配置.
- 在 ActiveClassification[f,{conf1,conf2,…}nsampler] 中,nsampler[conf] 必须输出一个配置.
- ActiveClassification 具有与 Classify 相同的选项,并有以下增加和改变: [所有选项的列表]
-
InitialEvaluationHistory None 配置和类别的初始设置 MaxIterations 2000 最大迭代次数 Method Automatic 用于确定所查询的配置和所使用的类别算法的方法 RandomSeeding 1234 伪随机发生器应该在内部完成的种子生成方式 - Method 的可能设置包括:
-
Automatic 自动选择方法 "Randomized" 从域中选择随机配置 "MaxEntropy" 选择分类器有最大不确定性的配置 assoc 指定指定计算策略和分类方法的关联 - 在形式 Methodassoc 中,关联的元素可以为:
-
"EvaluationStrategy" 用来确定查询何种配置的方法 "ClassificationMethod" 分类方法 - RandomSeeding 的可能设置包括:
-
Automatic 每次调用函数时都会自动重新设置种子 Inherited 使用外部种子随机数 seed 使用明确的整数或字符串作为种子 -
AcceptanceThreshold Automatic 异常检测器的的稀有概率阈值 AnomalyDetector None 分类器使用的异常检测器 ClassPriors Automatic 类别的显式先验概率 FeatureExtractor Identity 怎样提取学习用的特征 FeatureNames Automatic 分配给输入数据的特征的名称 FeatureTypes Automatic 假定输入数据具有的特征的类型 IndeterminateThreshold 0 低于什么概率返回 Indeterminate InitialEvaluationHistory None 配置和类别的初始设置 MaxIterations 2000 最大迭代次数 Method Automatic 用于确定所查询的配置和所使用的类别算法的方法 MissingValueSynthesis Automatic 怎样合成缺失值 PerformanceGoal Automatic 优化的目标 RandomSeeding 1234 伪随机发生器应该在内部完成的种子生成方式 RecalibrationFunction Automatic 怎样对类别概率进行后处理 TargetDevice "CPU" 执行培训的目标设备 TimeGoal Automatic 花多长时间来训练分类器 TrainingProgressReporting Automatic 如何汇报训练过程中的进度 UtilityFunction Automatic 作为实际和预测类别的函数的效用值 ValidationSet Automatic 验证所生成的模型所用的数据
所有选项的列表
范例
打开所有单元关闭所有单元基本范例 (3)
训练 ActiveClassificationObject[…],对整数是否大于 50 进行分类:
范围 (2)
选项 (3)
InitialEvaluationHistory (1)
应用 (3)
等级分类器 (1)
区域成员分类器 (1)
程序选择分类器 (1)
定义两个程序,计算两个元素之间的 ManhattanDistance:
定义一个函数,选择能够较快计算两个元素之间由三个整数构造的 ManhattanDistance 的程序:
文本
Wolfram Research (2017),ActiveClassification,Wolfram 语言函数,https://reference.wolfram.com/language/ref/ActiveClassification.html (更新于 2017 年).
CMS
Wolfram 语言. 2017. "ActiveClassification." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2017. https://reference.wolfram.com/language/ref/ActiveClassification.html.
APA
Wolfram 语言. (2017). ActiveClassification. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/ActiveClassification.html 年