80、人工神经网络与支持向量机：原理、应用与参数设置

人工神经网络与支持向量机：原理、应用与参数设置

1. 人工神经网络处理分类数据

人工神经网络在原生结构上并不适合处理输入或输出端的分类数据。常见的解决办法是采用“多中取一”（也称为“独热编码”）。在这种编码方式中，一个具有 K 个元素的类别由 K 个独立的输入（或输出）表示，每个类别对应一个输入（或输出）。若输入对象属于第 k 类，那么网络的第 k 个输入将为非零值（通常为 1.0），其余输入则为 0。同样的编码系统也可用于输出。

值得注意的是，即便输入是精确的单位向量，输出通常也会呈现出不完美的结构（非类别对应的输出值较小，所选类别对应的输出值小于 1），这有助于揭示分类的质量。

此外，神经网络能够处理传递给 cv::ml::TrainData::create 的非空 sampleWeights 向量，借此可以为输入和输出中的每个数据样本（行）分配相对重要性。 sampleWeights 中的每一行可设为任意正浮点值，对应输入和输出中同一行的数据。权重会自动归一化，因此关键在于它们的相对大小。不过， sampleWeights 参数仅在 Rprop 算法中生效，若使用反向传播算法则会被忽略。

2. 训练参数设置

• 终止条件 ： setTermCriteria() 方法用于指定训练的终止条件，无论使用反向传播还是 RProp 算法，其含义相同。终止条件中的迭代次数即更新步骤的最大数量，而 ε 部分则设定了迭代继续所需的最小重投影误差变化。重