계산 복잡도를 줄이기 위해 Matlab의 AdaboostM1을 사용한 높은 기능 선택

Question

수정 된 이미지 감지를위한 정확성을 테스트하는 Matlab 알고리즘을 구현 중입니다. 정확도는 SVM에 의해 제공됩니다. 하지만 내 문제는 계산 복잡도를 줄이기위한 목적으로 adaboost를 사용하여 높은 기능을 선택하는 방법입니다.

세부적으로 이미지에 대한 특징 벡터 (1xN)가 있으며 adaboost에서 비슷한 벡터를 사용할 수 있는지 확신 할 수 없습니다. 나는 X, numberens= 30,50,75,100, 'tree'을 매개 변수로 사용하여 Matlab에서 fitensemble 함수를 사용하고 있습니다. D 차원의 새로운 특징 벡터를 얻어야합니다. 제 질문은 데이터 입력의 관측치가 피쳐이기 때문에 행 벡터를 열 벡터로 변환해야합니까, 아니면 완전히 잘못 되었습니까?

어디에서 새 기능 벡터를 찾을 수 있습니까? 또는 결과 모델에서 어떻게 얻을 수 있습니까?

세부 사항 : 는 "밀어주는 기능 선택은 D 차원의 새로운 특징 벡터, 다음 그들이 최종 분류에 사용되는 계산의 복잡성을 줄이기 위해 최적의 기능을 선택할 수 있습니다 D 반복 한 후, 우리가 얻을 수 있습니다.." 내 생각에 내 기능 값은 관측 값일 수 있고 해당 이미지와 관련된 하나의 열만 있습니다. Adaboost는 차원 D가있는 새 피처 벡터를 반환해야합니다. 예를 들어, 초기 피쳐 벡터 F의 길이가 256 인 경우 30 개의 반복을 사용하는 경우 크기 30의 새 피처 벡터를 얻어야합니까? F에는 많은 0이 포함되어 있으며 최대 값은 100000과 같을 수 있습니다.

Answer 1

'NVarToSample' 속성이 ClassificationTree.template인지 확인할 수 있습니다. 기본적으로 fitensemble은 부기에 대한 예측 자 수의 제곱근 인 부스트에 'all'을 사용합니다. AdaBoostM1의 사례가 무엇인지 잘 모르겠습니다. 당신은 시도가 긍정적 값으로 설정 D 대신 기본 'all'의 수 위의 코드에서

mdl1 = ClassificationTree.template('NVarToSample','all'); 
ens = fitensemble(features,classLabels,'AdaBoostM1',30,'tree',... 
     mdl1,'type','classification'); 

참고, features의 각 열은 하나 개의 변수를 나타내며, 각 행은 하나 개의 관찰을 나타냅니다.

자세한 내용은 mathworks의 (1) 및 (2) 예제를 참조하십시오.