我想知道哪种监督学习算法最适合概括小数据。我有一个大小为（64 x 122）的特征向量，其中64是图像路径的一维特征向量，其中122是图像数。每个色块为16 x 16像素。
我使用了多类支持向量机，但结果是成功率低，并且随着图像数量的增加而增加。我不想增加图像补丁数量，但希望获得良好的分类率。
我可以对此有所了解吗？如何使用监督学习方法训练小数据。
最佳答案
一些可能的尝试：
一些简单的聚类方法，例如k均值；
逻辑回归
增加功能部件编号，然后使用线性SVM（请勿使用其他内核）。
我想知道哪种监督学习算法最适合概括小数据。我有一个大小为（64 x 122）的特征向量，其中64是图像路径的一维特征向量，其中122是图像数。每个色块为16 x 16像素。
我使用了多类支持向量机，但结果是成功率低，并且随着图像数量的增加而增加。我不想增加图像补丁数量，但希望获得良好的分类率。
我可以对此有所了解吗？如何使用监督学习方法训练小数据。
最佳答案
一些可能的尝试：
一些简单的聚类方法，例如k均值；
逻辑回归
增加功能部件编号，然后使用线性SVM（请勿使用其他内核）。