到選擇二進制圖像分類

Question

什麼算法可以說我有在數據集中的兩個陣列：

1）第一種是陣列分類爲（0,1） - [0,1,0,1,1， 1,0 .....]

2）第二個灰度圖像向量的陣列成本函數，每個元素中有2500個元素（數字從0到300）。這些數字是來自50 * 50像素圖像的像素。 - [[13 160 239 192 219 199 4 60 ..] [....] [....] [....] [....]]

該數據集的大小相當重要的（約12000個元素）。 我想建立bery基本的二元分類器，它會給出合適的結果。比方說，我想選擇非深度學習，但一些監督方法。 這種情況適合嗎？我已經嘗試過使用各種參數的sklearn的SVM。但結果是不恰當的，並主要由1組成：[1,1,1,1,1,0,1,1,1，...]

什麼是正確的方法？數據集的大小不足以通過監督算法得到好的結果嗎？

Answer 1

您或許應該在cross-validated上發帖： 但是作爲一個直接的答案，您應該看看順序來排列學習者，因爲您已經很清楚SVM不是理想的解決方案。

如果您不想走deep learning路線，您應該查看Markov models以進行順序學習，然而，Neural Networks在圖像分類問題方面有非常好的記錄。

理想情況下，對於順序學習，您應該嘗試查看Long Short Term Memory Recurrent Neural Networks，並查看您當前的數據集是否在現有數據語料庫上進行預訓練（說CIFAR-10）可能有所幫助。

所以我的推薦是給Tensorflow一個高級庫，如Keras/SKFlow。
神經網絡只是您的機器學習曲目的另一個工具，您可能也會給它們一個真正的機會。

的編輯，以解決您的評論：
您的問題還沒有一個缺乏SVM數據，
的SVM將工作做好，對於一個小的數據集，因爲它會更容易爲它過度擬合/適應在這個數據集上分離超平面。
隨着您增加數據維度，請記住使用分離超平面來分離它變得越來越困難[查看維度的詛咒]。
但是，如果您以這種方式設置，請嘗試一些降維 ，如PCA。

雖然這裏你一定會找到另一個圍欄斷帶神經網絡， 由於Kohonen自組織映射做這個任務的美麗，你可以嘗試 項目中的數據在一個較低的層面，因此允許SVM分離它具有更高的準確性。
我仍然必須堅持說你可能會使用不正確的方法。