你好，我是机器学习领域的新手，现在我的第一个挑战是提高基于狗和猫图像分类的图像分类的准确性。于是我在谷歌上搜索，找到了牛顿的方法。然而，它说它是巨大的，不太可能在一般情况下使用。在我的例子中，我只使用大约1600个图像用于7类。所以我想也许(我不知道)这是可能的。
你觉得怎么样?我的情况可能吗?
我不知道机器学习和它的算法，所以如果你给我一些建议会很有帮助。
由于各种原因，牛顿法通常不用于优化，梯度下降法用于优化，并且已经证明它具有非常好的输出。为什么不使用牛顿法，你可以在这里找到原因。
图像分类属于计算机视觉任务，它使用深度学习(神经网络)获得了最先进的结果，这是机器学习的一部分。
嗯，你的任务是提高图像分类模型的准确性。所以我假设你正在使用任何深度学习模型，为了提高它的准确性，你必须先研究数据，然后再研究模型。我的意思是说首先要提高数据的质量，如果你没有得到结果，那么你应该看看模型。
提高数据质量
- 检查数据是否均衡。我的意思是你有7个类，总共1600张图片，所以要确保在这7个类中图片的分布没有不平等。
- 。如果一个类有60%的数据，其余的40%被分成其他类，那么你的数据高度不平衡。 在这种情况下，您可以对样本较少的类使用Data Augmentation。数据增强技术包括裁剪、模糊、添加抖动、盐和纸张噪声、锐化等。
增加模型精度
- 尝试更改您的优化算法(Adam, SGD等)
- 尝试改变优化算法的学习率。
- 应用批处理规范化
- 添加图层
最佳解决方案-使用迁移学习，使用任何预训练模型，如ResNet, Inception, Xception等与Adam优化器。