ce résultat de classification est-il acceptable?

Question

J'ai un problème de classification linéaire très simple, qui est de travailler sur un problème de classification linéaire pour les trois classes en coordonnées suivantes:

Classe 1: points (0,1) (1,0) Classe 2: points (-1,0) (1,0) Classe 3: points (0, -1) (1, -1)

J'ai utilisé manuellement un poids initial aléatoire [1 0,0 1] (2 * En appliquant chaque itération sur les six échantillons, j'obtiens finalement une classification qui est X = -1 et Y = -1, donc quand x et Y sont tous les deux> -1 , c'est class1; si X < = -1 et Y> -1, c'est class2; si x> -1 et Y < = -1, c'est class3. Après avoir tracé ceci sur le graphique, je pense qu'il a quelques problèmes puisque la frontière de décision croise des échantillons dans class2 et class3, je me demande si cela est acceptable. En observant le graphique, je dirais que la classification idéale serait x = -1/2 et y = 1/2, mais je ne peux vraiment pas obtenir ce résultat après le calcul.

S'il vous plaît veuillez partager vos pensées avec moi, merci d'avance.

Answer 1

Je dirais que les résultats sont acceptables. Tous les points sont correctement classés, sauf pour le point (1,0) qui est étiqueté comme classe 2 et classé comme classe 1. Le problème est qu'il y a aussi un point à (1,0) étiqueté comme classe 1, donc c'est impossible de séparer les classes 1 et 2.

Bien sûr, le modèle est très probablement horrible lorsqu'il est évalué sur un ensemble de test. Si vous souhaitez que les limites de décision soient placées à égale distance entre les points, vous devez examiner les classificateurs de marge maximum.

Answer 2

Les résultats ne sont pas acceptables. Les classes 2 et 3 sont linéairement séparables, donc vous ne devriez pas accepter un classificateur qui ne les classe pas parfaitement. Pour autant que je sache, avec ces échantillons et un réseau de feed-back entraîné avec rétropropagation, il est peu probable que vous obteniez les x = -1/2 et y = 1/2 désirés. Vous avez besoin d'un classificateur de marge maximum pour cela.

Je vous recommande de vérifier un classificateur linéaire SVM. Vous pouvez vérifier SVMlight for multiclass problems.