-2
불균형 데이터 세트가 분류 결과에 중대한 영향을 줄 수있는 방법을 읽었지만 객체 감지를위한 전송 학습 접근법 (SSD와 같은)을 사용하면 좋은 결과를 얻기 위해 데이터 세트의 균형을 유지할 필요가 없는지 확인하십시오.전송 학습이 불균형 데이터 세트의 문제를 해결합니까?
A
답변
0
짧은 대답 : 아니오. 그러나 사실, 어쩌면.
이들은 서로 관련이없는 아이디어입니다. 편입 학습 목표는 훈련 데이터가 없거나 처음부터 학습을 시작할 수 없거나 시작할 수없는 경우에 도움을주는 것입니다.
실제 답변은 많은 것들에 달려 있습니다. 데이터 세트가 얼마나 불균형 (알고리즘이 조금입니까? 많습니까?), 알고리즘의 종류가 SVM과 같은 차별화 된 베이지안과 같은 생성 방식을 사용하고 있습니까? "분리 가능하다"는 수업입니까? 그리고 아마도 다른 많은 것들이있을 것입니다. 당신은 일반적으로 클래스의 사전 확률로 재생할 수있는 베이지안 분류기와
... 그래서 대답은 확실히 당신이 취급하고있는 문제에 대한 구체적인 것입니다 ... 당신은 일반적인 대답을 가질 수 없습니다 이 질문에.
나는 귀하의 질문에 대한 일반적인 대답이 없다고 생각합니다. 내 이해까지 : 전송 학습을 사용하면 네트워크 계층의 (부분) 재사용을 통해 사전 설정된 가중치를 사용합니다. 유지할 가중치와 상실 할 전략에 따라 사전 훈련 된 데이터가 결과에 영향을 미칩니다. 이것은 모든 종류의 결과로 이어질 수 있습니다. 이상적으로 당신은 두 가지 세계에서 최고의 것을 얻습니다. 사전 훈련으로부터 관련 패턴 인식을 얻고 유지하고 필요한 추가 (보통 고레벨) 패턴을 훈련시킵니다. 따라서 도움이 될 수 있지만 불균형에 대해 신경 쓸 필요가없는 것은 아닙니다. – Gegenwind