When the supervised approach is use

When the supervised approach is used, the problem of understanding if all the measured features are useful has to be address. In theory, the higher the number of features, the easier to precisely distinguish between patterns belonging to different classes. In practice, when a high number of features is used and a limited number of example patterns is available for learning, the curse of dimensionality problem may arise and the performance of the recognition system may degrade [29,44]. Feature selection and extraction techniques aim at reducing the dimensionality of the feature space in order to improve the accuracy of the classifier. Afterwards, a suitable learning algorithm has to be chosen. The training and test phase allow the designer to construct and estimate the accuracy of a classifier. As deciding a priori that a certain learning algorithm is the most suitable for the problem at hand is usually not easy, model selection is performed by constructing several classifiers using different learning algorithms, comparing the performance of each of them and choosing the one that performs the best [57]. If the results are not satisfactory, it may be necessary to go back and redesign part of the recognition system in order to improve the performance, for example by using different feature reduction techniques or a new learning algorithm.

Kết quả (Việt) 1:

Khi các phương pháp giám sát được sử dụng, các vấn đề của sự hiểu biết nếu tất cả các tính năng đo được là hữu ích đã là địa chỉ. Trong lý thuyết số của tính năng, dễ dàng hơn để phân biệt chính xác giữa các mẫu thuộc các lớp khác nhau. Trong thực tế, khi một số tính năng cao được sử dụng và một số giới hạn của các ví dụ mẫu sẵn để học tập, lời nguyền của chiều vấn đề có thể phát sinh và hiệu suất của hệ thống nhận dạng có thể hủy hoại [29,44]. Tính năng lựa chọn và khai thác kỹ thuật nhằm giảm thiểu chiều không gian tính năng để cải thiện tính chính xác của loại. Sau đó, một thuật toán học tập phù hợp đã được chọn. Giai đoạn đào tạo và kiểm tra cho phép các nhà thiết kế để xây dựng và ước tính độ chính xác của một loại. Như quyết định tiên một thuật toán học nhất định là phù hợp nhất cho các vấn đề ở bàn tay thường không phải là dễ dàng, lựa chọn mô hình được thực hiện bằng cách xây dựng một số máy phân loại bằng cách sử dụng học thuật toán khác nhau, so sánh hiệu suất của mỗi người trong số họ và chọn một trong đó thực hiện tốt nhất [57]. Nếu kết quả không đạt yêu cầu, nó có thể cần thiết để trở lại và thiết kế lại một phần của hệ thống công nhận để cải thiện hiệu suất, ví dụ bằng cách sử dụng kỹ thuật giảm khác nhau tính năng hoặc một thuật toán học mới.

Kết quả (Việt) 2:

Khi các phương pháp giám sát được sử dụng, các vấn đề của sự hiểu biết, nếu tất cả các tính năng đo rất hữu ích có được địa chỉ. Về lý thuyết, cao hơn số lượng các tính năng, dễ dàng hơn để phân biệt chính xác giữa các mô hình thuộc các lớp khác nhau. Trong thực tế, khi một số lượng lớn các tính năng được sử dụng và một số lượng hạn chế của mô hình ví dụ là có sẵn cho việc học tập, lời nguyền của vấn đề đa chiều có thể phát sinh và hiệu suất của hệ thống nhận dạng có thể làm suy giảm [29,44]. lựa chọn tính năng và khai thác các kỹ thuật nhằm mục đích làm giảm số chiều của không gian đặc trưng để cải thiện tính chính xác của việc phân loại. Sau đó, một thuật toán học phù hợp đã được chọn. Việc đào tạo và giai đoạn thử nghiệm cho phép các nhà thiết kế để xây dựng và ước tính chính xác của một bộ phân loại. Khi quyết định một cách tiên rằng một thuật toán học nhất định là thích hợp nhất cho các vấn đề ở tay thường là không dễ dàng, lựa chọn mô hình được thực hiện bằng cách xây dựng một số phân loại sử dụng các thuật toán học khác nhau, so sánh hiệu suất của mỗi nước và lựa chọn một trong đó thực hiện tốt nhất [57]. Nếu kết quả không đạt yêu cầu, nó có thể là cần thiết để quay trở lại và thiết kế lại một phần của hệ thống nhận dạng để cải thiện hiệu suất, ví dụ bằng cách sử dụng các kỹ thuật giảm tính năng khác nhau hoặc một thuật toán học mới.