【复习】
一、KNN 数据驱动方式学习决策器
二、线性分类器:(参数分类)
每一个像素每一个分类在权重矩阵中都有对应
所以可以得到每个像素在每个分类中的重要性大小
1、可以看成每个分类的模板,权重的每一行代表一个类的模板,将每一行取出来以后可以变成模板图像
2、学习像素在高维空间的分类边界
【本节】
Loss function=1/Nsum(Li)
N是所有样本集
多分类SVM的损失函数是:
如果正确分类的分数高于别的分类的话是令人欣喜的情况,如果没有高出我们想要的margin就会产生损失
训练的时候,首先初始化权重矩阵,都一样的时候分数也都一样,所以损失函数为1,所有的分类损失和应该是等于c-1(c是分类数),可以用这个来验证程序是否有错,因为初始化的结果应该是这个,所以训练之前要要心中有数
hinge loss vs square loss
加上平方使得错误被放大, 说明你在意这个错误,所以用哪个是根据你的在意情况来确定的
使得L为0的W不唯一,2W验证,因为此时只要求能拟合数据就行了,但是这个模型不够好,所以要加上penalty
soft penalty 正则项可以
BN、Dropout等也是正则项
softmax 使得正确的类别概率接近于1