标签：object 可能性 bsp core 机器学习 最小 通过 权重 vector
---恢复内容开始---
对于图像的分类
线性分类器的组成：1.评分函数：将原始图像数据到类别分值的映射。2.损失函数：用来量化预测分类标签的得分与真实标签之间一致性的。该方法可转化为一个最优化问题，在最优化过程中，将通过更新评分函数的参数来最小化损失函数值。
一. 从原始图像到标签类别分值的参数化映射
评分函数是将图像的像素值映射为各个分类类别的得分，得分高低代表图像属于该类别的可能性高低。例如：
二.损失函数（loss function）
在评分函数中，该函数的参数是权重矩阵，因此在训练评分函数的过程中就是为了得到一个合适的权重矩阵。我们调整权重矩阵这个参数，使得评分函数的结果与训练数据集中图像的真实类别一致，即评分函数在正确的分类的位置应当得到最高的评分（score）。
那么，如何衡量评分函数的分类结果与图像真实位置的差异，------->损失函数
我们将使用损失函数（Loss Function）（有时也叫代价函数Cost Function或目标函数Objective）来衡量我们对结果的不满意程度。直观地讲，当评分函数输出结果与真实结果之间差异越大，损失函数输出越大，反之越小。
因此，线性分类器的训练过程就是，通过调整评分函数中的参数，即权重矩阵来使得损失函数达到最小。
损失函数的形式有多种，下面介绍常用的多类支持向量机（SVM）损失函数。
https://zhuanlan.zhihu.com/p/20945670?refer=intelligentunit
标签：object 可能性 bsp core 机器学习 最小 通过 权重 vector
原文地址：https://www.cnblogs.com/machine-learining/p/10346964.html
