classify_class_svmT_classify_class_svmClassifyClassSvmClassifyClassSvmclassify_class_svm (Operator)
Name
classify_class_svmT_classify_class_svmClassifyClassSvmClassifyClassSvmclassify_class_svm — Berechnen der Klasse eines Merkmalsvektors durch eine
Support-Vektor-Maschine.
Signatur
def classify_class_svm(svmhandle: HHandle, features: Sequence[float], num: Sequence[int]) -> Sequence[int]
def classify_class_svm_s(svmhandle: HHandle, features: Sequence[float], num: Sequence[int]) -> int
Beschreibung
classify_class_svmclassify_class_svmClassifyClassSvmClassifyClassSvmClassifyClassSvmclassify_class_svm berechnet mit dem durch
SVMHandleSVMHandleSVMHandleSVMHandleSVMHandlesvmhandle gegebene Support-Vektor-Maschine (SVM) die
NumNumNumNumnumnum besten Klassen des Merkmalsvektors FeaturesFeaturesFeaturesFeaturesfeaturesfeatures
und gibt die Klassen in ClassClassClassClassclassValclass zurück. Falls der
Klassifikator im Mode = 'one-versus-one'"one-versus-one""one-versus-one""one-versus-one""one-versus-one""one-versus-one" erzeugt
wurde, werden die Klassen nach der Anzahl der Stimmen der
Sub-Klassifikatoren sortiert. Im Mode =
'one-versus-all'"one-versus-all""one-versus-all""one-versus-all""one-versus-all""one-versus-all" erfolgt die Sortierung nach dem
Ausgabewert der Unter-Klassifikatoren (siehe
create_class_svmcreate_class_svmCreateClassSvmCreateClassSvmCreateClassSvmcreate_class_svm). Falls der Klassifikator im Mode =
'novelty-detection'"novelty-detection""novelty-detection""novelty-detection""novelty-detection""novelty-detection" erzeugt wurde, wird nur darüber
entschieden, ob der Merkmalsvektor zu der Trainingsklasse
gehört oder als Ausreißer angesehen wird. In diesem Fall bedeutet ein
Ausgabewert von ClassClassClassClassclassValclass = 0, dass die Klasse als von der
Trainingsmenge abweichend betrachtet wird. Ein Wert von ClassClassClassClassclassValclass = 1
bedeutet, dass der Merkmalsvektor aus der gleichen Verteilung wie
die Trainingsdaten stammt. In diesem Fall wird NumNumNumNumnumnum auf 1 gesetzt,
da der Klassifikator nur die Zugehörigkeit zu einer Klasse testet.
Die SVM muss vor der Verwendung von classify_class_svmclassify_class_svmClassifyClassSvmClassifyClassSvmClassifyClassSvmclassify_class_svm mit
train_class_svmtrain_class_svmTrainClassSvmTrainClassSvmTrainClassSvmtrain_class_svm trainiert werden.
Ausführungsinformationen
- Multithreading-Typ: reentrant (läuft parallel zu nicht-exklusiven Operatoren).
- Multithreading-Bereich: global (kann von jedem Thread aufgerufen werden).
- Wird ohne Parallelisierung verarbeitet.
Parameter
SVMHandleSVMHandleSVMHandleSVMHandleSVMHandlesvmhandle (input_control) class_svm → HClassSvm, HTupleHHandleHTupleHtuple (handle) (IntPtr) (HHandle) (handle)
Handle der SVM.
FeaturesFeaturesFeaturesFeaturesfeaturesfeatures (input_control) real-array → HTupleSequence[float]HTupleHtuple (real) (double) (double) (double)
Merkmalsvektor.
NumNumNumNumnumnum (input_control) integer-array → HTupleSequence[int]HTupleHtuple (integer) (int / long) (Hlong) (Hlong)
Anzahl der zu bestimmenden besten Klassen.
Defaultwert: 1
Wertevorschläge: 1, 2, 3, 4, 5
ClassClassClassClassclassValclass (output_control) integer(-array) → HTupleSequence[int]HTupleHtuple (integer) (int / long) (Hlong) (Hlong)
Ergebnis der Klassifikation des Merkmalsvektors
durch die SVM.
Ergebnis
Sind die Parameterwerte korrekt, dann liefert
classify_class_svmclassify_class_svmClassifyClassSvmClassifyClassSvmClassifyClassSvmclassify_class_svm den Wert TRUE. Gegebenenfalls wird eine
Fehlerbehandlung durchgeführt.
Vorgänger
train_class_svmtrain_class_svmTrainClassSvmTrainClassSvmTrainClassSvmtrain_class_svm,
read_class_svmread_class_svmReadClassSvmReadClassSvmReadClassSvmread_class_svm
Alternativen
apply_dl_classifierapply_dl_classifierApplyDlClassifierApplyDlClassifierApplyDlClassifierapply_dl_classifier
Siehe auch
create_class_svmcreate_class_svmCreateClassSvmCreateClassSvmCreateClassSvmcreate_class_svm
Literatur
John Shawe-Taylor, Nello Cristianini: „Kernel Methods for Pattern
Analysis“; Cambridge University Press, Cambridge; 2004.
Bernhard Schölkopf, Alexander J.Smola: „Learning with Kernels“;
MIT Press, London; 1999.
Modul
Foundation