从机器学习中提取参数
parameter extraction from machine learning
我正在尝试制作具有图像处理机器学习的专家系统
比如...例如...我有一些完美的图像集和从中训练的学习引擎。如果我在我的引擎中放入变色的、奇怪的图像，引擎将改变颜色、锐度等特性...
正常的机器学习会给我一个答案，只是图像好不好。
问题是我如何获得最佳参数集（添加 rgb、锐度算法参数的参数等...），而不仅仅是图像好坏。
是否有提取参数的机器学习？
Normal Machine Learning will give me a answer just image is good or not.
错误。没有'normal machine learning'这样的东西。您所描述的是一个二进制分类任务，其中一个任务是 ML 域。
根据您的描述，我假设您想为 ML 算法提供一些图像并获得一些定量值（一些实数）作为输出（您称之为 'sharpness parameter' 等）。这称为回归任务。阅读回归算法以选择适合您的算法。
在我看来，由于您正在处理图像，因此您应该尝试使用卷积神经网络来训练您的数据并对您尚未见过的新图像执行回归。他们在处理图像方面真的很酷，但从计算的角度来看，他们更 'heavy'。
我正在尝试制作具有图像处理机器学习的专家系统
比如...例如...我有一些完美的图像集和从中训练的学习引擎。如果我在我的引擎中放入变色的、奇怪的图像，引擎将改变颜色、锐度等特性...
正常的机器学习会给我一个答案，只是图像好不好。
问题是我如何获得最佳参数集（添加 rgb、锐度算法参数的参数等...），而不仅仅是图像好坏。
是否有提取参数的机器学习？
Normal Machine Learning will give me a answer just image is good or not.
错误。没有'normal machine learning'这样的东西。您所描述的是一个二进制分类任务，其中一个任务是 ML 域。
根据您的描述，我假设您想为 ML 算法提供一些图像并获得一些定量值（一些实数）作为输出（您称之为 'sharpness parameter' 等）。这称为回归任务。阅读回归算法以选择适合您的算法。
在我看来，由于您正在处理图像，因此您应该尝试使用卷积神经网络来训练您的数据并对您尚未见过的新图像执行回归。他们在处理图像方面真的很酷，但从计算的角度来看，他们更 'heavy'。