Comments 10
Данная серия постов очень впечатляет, большое спасибо автору!
Мне не до конца понятно с какой целью 90% статьи посвящать просто переводу оригинальной статьи + рисункам из статьи и презентации — всегда можно дать ссылку на оригинальный источник, а затем рассказать о своих результатах.
Конечно 3.2% процента ошибки на MNIST — это очень много. К тому же, насколько я понимаю, вы сами соотнесли центроиды кластеров с конкретными классами. Это не очень робастный подход — что если у Вас получились бы (и наверняка получатся на какой-нибудь другой базе типа ImageNet) смешанные кластеры?
Я не уверен (так как не проверял), но мне кажется, что хорошо реализованный метод наподобие kernal k-means даст результат не хуже.
Конечно 3.2% процента ошибки на MNIST — это очень много. К тому же, насколько я понимаю, вы сами соотнесли центроиды кластеров с конкретными классами. Это не очень робастный подход — что если у Вас получились бы (и наверняка получатся на какой-нибудь другой базе типа ImageNet) смешанные кластеры?
Я не уверен (так как не проверял), но мне кажется, что хорошо реализованный метод наподобие kernal k-means даст результат не хуже.
Мне не до конца понятно с какой целью 90% статьи посвящать просто переводу оригинальной статьи + рисункам из статьи и презентации
На мой взгляд, выдержка из почти часовой презентации и статьи полезна для понимания алгоритма и значительно важнее кода, который по большому счету не интересен. Тем более, что в рунете эти алгоритмы редко упоминаются.
всегда можно дать ссылку на оригинальный источник, а затем рассказать о своих результатах.
Всегда можно дать ссылку на гугл или шпингер — там есть практически все публикуемые статьи, но цель поста именно в ознакомлении с алгоритмом, а не в том, чтобы отправить читателя в N разбросанных источников. По вашей логике и учебники люди пишут напрасно:)
Конечно 3.2% процента ошибки на MNIST — это очень много. К тому же, насколько я понимаю, вы сами соотнесли центроиды кластеров с конкретными классами. Это не очень робастный подход — что если у Вас получились бы (и наверняка получатся на какой-нибудь другой базе типа ImageNet) смешанные кластеры?
Вообще ESOINN в чистом виде не очень подходит для классификации, он больше для DataMining предназначен и для «предварительного» анализа данных поступающих в реальном времени. Но на основе полученного графа можно обучать, например, SVM и уже использовать как классификатор. В роботе Hero, например, вводили дополнительный ассоциативный слой, который отвечал за отображение внутренних классов во внешние.
Я не уверен (так как не проверял), но мне кажется, что хорошо реализованный метод наподобие kernal k-means даст результат не хуже.
А Deep Learning еще лучше будет работать на MNIST…
К счастью данный алгоритм описывается в одной статье (максимум 2-х), а не в «N разбросанных источников». И конечно под своими результатами я имел ввиду не код, а более глубокое исследование проблематики.
По моей логике, чтобы написать учебник нужно провести колоссальную работу с литературой, отделить зерна от плевел и генерализовать знания, а не приводить краткий перевод не такой уж длинной статьи.
Я намеренно не сравнивал результат с алгоритмами, в которых есть хотя бы какие-то шаги обучения на размеченных данных (fine-tuning в deep learning), поэтому и привел в пример алгоритм чистой кластеризации.
По моей логике, чтобы написать учебник нужно провести колоссальную работу с литературой, отделить зерна от плевел и генерализовать знания, а не приводить краткий перевод не такой уж длинной статьи.
Я намеренно не сравнивал результат с алгоритмами, в которых есть хотя бы какие-то шаги обучения на размеченных данных (fine-tuning в deep learning), поэтому и привел в пример алгоритм чистой кластеризации.
Это, как я понимаю, дальнейшее развитие алгоритма нейронный газ?
Кстати, под питон есть неплохая реализация Growing Neural Gas.
Кстати, под питон есть неплохая реализация Growing Neural Gas.
Не совсем. Нейронный газ ведь по сути для представляемого ему множества стремится построить триангуляцию Делоне, а ESOINN наоборот пытается выделить топологические свойства этого множества(путем выделения областей высокой плотности и игнорирования шумов).
p.s. впринципе на «поиграться» может сгодиться и моя поделка на тему растущего нейронного газа, реализовано на C++ & Boost.
Расскажите, пожалуйста, подробнее про ваш эксперимент с MNIST.
В условиях на kagi предлагается классический эксперимент «обучение с учителем», к векторам данных в обучающем множестве даются номера классов.В такой постановке k-NN при k=1 дает ошибку на тесте MNST 3,09% на первых 1000 векторов теста и 3,8 % на всем тесте.
Пруфлинк: www.cs.ubc.ca/~murphyk/MLbook/pml-intro-22may12.pdf, стр. 25, Exercise 1.1.
Если у вас происходит кластеризация и обучение без учителя то тут, конечно, спрос другой.
В условиях на kagi предлагается классический эксперимент «обучение с учителем», к векторам данных в обучающем множестве даются номера классов.В такой постановке k-NN при k=1 дает ошибку на тесте MNST 3,09% на первых 1000 векторов теста и 3,8 % на всем тесте.
Пруфлинк: www.cs.ubc.ca/~murphyk/MLbook/pml-intro-22may12.pdf, стр. 25, Exercise 1.1.
Если у вас происходит кластеризация и обучение без учителя то тут, конечно, спрос другой.
Обучение шло без учителя, обучающая выборка была получена путем объединения обучающей(метки классов не учитывались)+тестовой выборок из задания конкурса(всего 70000 векторов). Алгоритм получил 14 кластеров, далее руками было построено соответствие между внутренними метками кластеров и реальными метками классов(как правильно заметили выше, не очень робастный подход и в реальных условиях так лучше если и делать, то очень осторожо) и посмотрел к каким классам отнеслись вектора из тестовой выборки и этот результат сабмитил в kaggle. Поэтому получилась такая не очень впечатляющая цифра.
По хорошему там стоило сначала выделить фичи во входных данных и понизить размерность + для классификации использовать дополнительный слой, отвечающий за построение отображения, но я намеренно не использовал никакого препроцессинга и постпроцессинга, чтобы получить относительно объективную оценку точности самого алгоритма, а не майнинга этой задачи.
По хорошему там стоило сначала выделить фичи во входных данных и понизить размерность + для классификации использовать дополнительный слой, отвечающий за построение отображения, но я намеренно не использовал никакого препроцессинга и постпроцессинга, чтобы получить относительно объективную оценку точности самого алгоритма, а не майнинга этой задачи.
Cпасибо, все понятно. Вполне может быть, что в такой постановке задачи это и правда неплохой результат.
Sign up to leave a comment.
Алгоритм Улучшенной Самоорганизующейся Растущей Нейронной Сети (ESOINN)