Несупервісне навчання - це машинний підхід, який передбачає алгоритми підготовки на нелаборованих даних. У розпізнавання зображення цей метод допомагає визначити візерунки та структури без заданих етикеток, що робить його корисним для великих даних, де маркування непрактично.

Практичні методи розпізнавання образів

Кілька методів зазвичай використовуються в невибагливому розпізнавання образів. алгоритми кластеризації групи аналогічні зображення на основі особливостей, при цьому методи зменшення розмірів спростовують дані для полегшення аналізу. Автоенкодери є нейромережами, які вивчають ефективні представництва даних, допомагають у екстракції функцій.

Технології кластеризації

Методи кластеризації, як K-means, ієрархічний кластер, організовують зображення в групи на основі візуальних схожостей. Ці методи корисні для задач, таких як категоризація зображень і аномалія виявлення.

Виступи

Оцінювання несупервісних моделей розпізнавання зображень передбачає метрики, які не вимагають позначених даних. Загальні метрики включають в себе показник силуету, який вимірює, як добре позначки даних, що знаходяться в їх кластерах, і індекс Davies-Bouldin, який оцінює поділ кластерів і компактність.

  • Сільвєт Табір
  • Індекс Дайвес-Булін
  • Калінський-Гарабас Індекс
  • Охорона кластера