Algorithme de classement du meilleur effort de vecteur
-
21-09-2019 - |
Question
Étant donné quatre vecteurs binaires qui représentent des "classes":
[1,0,0,0,0,0,0,0,0,0]
[0,0,0,0,0,0,0,0,0,1]
[0,1,1,1,1,1,1,1,1,0]
[0,1,0,0,0,0,0,0,0,0]
Quelles sont les méthodes disponibles pour classer un vecteur de valeurs à virgule flottante dans une de ces « classes »?
arrondi de base fonctionne dans la plupart des cas:
round([0.8,0,0,0,0.3,0,0.1,0,0,0]) = [1 0 0 0 0 0 0 0 0 0]
Mais comment puis-je gérer des interférences?
round([0.8,0,0,0,0.6,0,0.1,0,0,0]) != [1 0 0 0 0 1 0 0 0 0]
Ce second cas devrait être un meilleur match pour la 1.000.000.000, mais au contraire, j'ai perdu entièrement la solution car il n'y a pas de correspondance claire.
Je veux utiliser cette tâche pour Matlab.
La solution
Trouvez SSD (somme des différences au carré) de votre vecteur de test avec chaque « classe "et utiliser celui avec le moins SSD.
Voici un code: j'ai ajouté un 0
à la fin du vecteur de test que vous avez fourni, car il était seulement 9 chiffres alors que les classes avaient 10
CLASSES = [1,0,0,0,0,0,0,0,0,0
0,0,0,0,0,0,0,0,0,1
0,1,1,1,1,1,1,1,1,0
0,1,0,0,0,0,0,0,0,0];
TEST = [0.8,0,0,0,0.6,0,0.1,0,0,0];
% Find the difference between the TEST vector and each row in CLASSES
difference = bsxfun(@minus,CLASSES,TEST);
% Class differences
class_diff = sum(difference.^2,2);
% Store the row index of the vector with the minimum difference from TEST
[val CLASS_ID] = min(class_diff);
% Display
disp(CLASSES(CLASS_ID,:))
À titre d'illustration, difference
ressemble à ceci:
0.2 0 0 0 -0.6 0 -0.1 0 0 0
-0.8 0 0 0 -0.6 0 -0.1 0 0 1
-0.8 1 1 1 0.4 1 0.9 1 1 0
-0.8 1 0 0 -0.6 0 -0.1 0 0 0
Et la distance de chaque classe de l'essai ressemble à ceci, class_diff
:
0.41
2.01
7.61
2.01
Et évidemment, le premier est le meilleur match car il a la moindre différence.
Autres conseils
Ceci est la même chose que Jacob fait, seulement avec quatre différentes mesures de distance:
%%
CLASSES = [1,0,0,0,0,0,0,0,0,0
0,0,0,0,0,0,0,0,0,1
0,1,1,1,1,1,1,1,1,0
0,1,0,0,0,0,0,0,0,0];
TEST = [0.8,0,0,0,0.6,0,0.1,0,0,0];
%%
% sqrt( sum((x-y).^2) )
euclidean = sqrt( sum(bsxfun(@minus,CLASSES,TEST).^2, 2) );
% sum( |x-y| )
cityblock = sum(abs(bsxfun(@minus,CLASSES,TEST)), 2);
% 1 - dot(x,y)/(sqrt(dot(x,x))*sqrt(dot(y,y)))
cosine = 1 - ( CLASSES*TEST' ./ (norm(TEST)*sqrt(sum(CLASSES.^2,2))) );
% max( |x-y| )
chebychev = max( abs(bsxfun(@minus,CLASSES,TEST)), [], 2 );
dist = [euclidean cityblock cosine chebychev];
%%
[minDist classIdx] = min(dist);
Choisissez celui que vous aimez:)
Un simple algorithme de distance euclidienne devrait suffire. La classe à la distance minimale au point serait votre candidat.