9、计算机视觉中的机器学习与深度学习全解析

计算机视觉中的机器学习与深度学习全解析

特征与目标关系确定方法

在机器学习里，确定特征与目标之间的关系是关键步骤。下面的表格为选择合适的统计方法提供了实用指南：
| 特征变量类型 | 目标变量类型 | 统计方法名称 |
| — | — | — |
| 连续型 | 连续型 | 皮尔逊相关系数 |
| 连续型 | 类别型 | 线性判别分析（LDA） |
| 类别型 | 类别型 | 卡方检验 |
| 类别型 | 连续型 | 方差分析（ANOVA） |

这些统计方法能帮助我们深入了解特征和目标之间的关联，不过其具体描述较为复杂，可通过众多书籍和在线资源进一步学习。

特征选择方法

• 包装法（Wrapper Method）
  • 包装法是通过选取部分特征来训练模型，评估模型效果后，依据结果添加或移除特征，再重新训练模型，不断重复此过程，直至得到具有可接受精度的模型。这类似于试错法，需要构建多个模型，计算成本较高。
  • 以下是包装法中常用的特征选择方法：
    • 前向选择（Forward selection） ：从一个特征开始构建并评估模型，然后逐步添加能使模型效果提升最大的特征。
    • 后向消除（Backward elimination） ：从所有特征开始构建并评估模型，接着逐个消除特征，直至得到最佳模型，重复此操作，直到移除特征不再使模型效果提升。