Результаты поиска по запросу "multilabel-classification"

2 ответа

nolearn для классификации по нескольким меткам

3 ответа

кафе с мульти-этикеточными изображениями

1 ответ

Небольшое дополнение: если вы сохраняете модель (с добавлением пользовательского объекта) и загружаете модель только для вывода, вам больше не нужна эта функция. Просто используйте другую функцию потери keras: custom_objects = {"weighted_loss": some_other_loss_function}. Это не имеет значения, потому что вы все равно не будете его использовать. Поэтому вам не нужно копировать код для функции потерь в вашем коде вывода.

орое время я застрял в классификации по нескольким меткам (я должен сказать, что я новичок в нейронной сети). Сначала я объясню сеть, которую я пытаюсь обучить. У меня есть 1000 классов в сети, и они имеют выходы с несколькими метками. ...

ТОП публикаций

2 ответа

XG повысить для классификации нескольких меток?

Можно ли использовать xgboost для классификации нескольких меток? Теперь я использую OneVsRestClassifier над GradientBoostingClassifier из sklearn. Это работ...

2 ответа

Я больше не получаю эту ошибку.

1 ответ

scikit-learn.org/stable/modules/generated/...

1 ответ

@HerrvonWurst Это потому, что проблема, с которой вы связались, работа классификатора состоит в том, чтобы поместить изображения только в один класс, тогда как в заданном вопросе классификатор должен назначить входные данные нескольким классам.

уверен, как интерпретировать поведение Keras по умолчанию в следующей ситуации:Мой Y (основа истины) был создан с использованием scikit-learn's

2 ответа

Почему этот ответ был отклонен?

кли проблемы с использованием class_weight для моей проблемы с несколькими метками. То есть каждая метка имеет значение 0 или 1, но для каждой входной выборки существует много меток. Код (со случайными данными для целей MWE): import tensorflow ...

1 ответ

Sklearn: разница между использованием OneVsRestClassifier и созданием каждого классификатора в отдельности

Насколько я знаю, проблему с несколькими метками можно решить с помощью схемы «один против всех», для которой Scikit-learn реализует