| Operatoren |
train_class_knn — Erstellt die Suchbäume eines k-NN-Klassifikators.
train_class_knn( : : KNNHandle, GenParamNames, GenParamValues : )
train_class_knn erstellt die Suchbäume eines k-Nearest-Neighbor-Klassifikators.
Die Anzahl der Suchbäume kann in den generischen Parametern GenParamNames und GenParamValues über 'num_trees' festgelegt werden. Der Standardwert ist hierbei 4, welcher üblicherweise zu ausreichend guten Ergebnissen führt. Eine höhere Anzahl der Bäume führt zu längeren Laufzeiten und zu höherem Speicherverbrauch, aber zu tendenziell genaueren Ergebnissen, speziell bei höheren Dimensionen der Merkmalsvektoren.
Nach einem erfolgten Training können weitere Daten mit dem Operator add_sample_class_knn hinzugefügt werden. Die neu hinzugefügten Daten beeinflussen die Klassifikation erst, wenn train_class_knn erneut aufgerufen wurde.
Die automatische Merkmals-Normalisierung kann aktiviert werden, indem der Eingabeparameter GenParamNames den Wert 'normalization' und GenParamValues an gleicher Stelle 'true' enthält. Die Merkmalsvektoren werden in jeder Dimension einzeln normalisiert. Für jede Dimension wird der Mittelwert und die Standardabweichung anhand der übermittelten Trainingsdaten ermittelt. Alle Merkmalsvektoren werden dann dadurch normalisiert, dass in jeder Dimension der Mittelwert abgezogen und durch die Standardabweichung geteilt wird. Solch eine Normalisierung bewirkt, dass die Merkmalsvektoren einen Mittelwert von Null und eine Varianz von 1 nach der Normalisierung besitzen. Falls die Standardabweichung in einer Dimension den Wert Null aufweisen sollte, so wird nur der Mittelwert abgezogen und nicht durch Null dividiert. Man beachte, dass eine Standardabweichung von Null in einer Dimension bedeutet, dass diese Dimension zu dem Klassifikator keine relevante Information beisteuert und man diese Dimension weglassen könnte. Die Automatische Merkmals-Normalisierung bewirkt, dass die gespeicherten Trainingsdaten verändert werden. Diese Veränderungen lassen sich aber ohne Verluste rückgängig machen, indem der Operator train_class_knn erneut aufgerufen wird, wobei 'normalization' auf 'false' gesetzt werden muss. Falls Normalisierung eingesetzt wird, interpretiert der Operator classify_class_knn die ihm übergebenen Merkmalsvektoren als nicht normalisiert und es wird intern eine Normalisierung durchgeführt, die durch den letzten Aufruf von train_class_knn definiert ist.
Dieser Operator modifiziert den Zustand des folgenden Eingabeparameters:
Der Wert dieses Parameters darf nicht über mehrere Threads verwendet werden.Handle des k-NN-Klassifikators.
Namen der generischen Parameter, die für das Training des k-NN-Klassifikators angepasst werden können.
Defaultwert: []
Werteliste: 'normalization', 'num_trees'
Werte der generischen Parameter, die für das Training des k-NN-Klassifikators angepasst werden können.
Defaultwert: []
Werteliste: 4, 'false', 'true'
Sind die Eingabeparameter korrekt, dann liefert train_class_knn den Wert 2 (H_MSG_TRUE). Gegebenenfalls wird eine Fehlerbehandlung durchgeführt.
add_sample_class_knn, read_class_knn
create_class_knn, read_class_knn
Marius Muja, David G. Lowe: „Fast Approximate Nearest Neighbors with Automatic Algorithm Configuration“; International Conference on Computer Vision Theory and Applications (VISAPP 09); 2009.
Foundation
| Operatoren |