到选择二进制图像分类

Question

什么算法可以说我有在数据集中的两个阵列：

1）第一种是阵列分类为（0,1） - [0,1,0,1,1， 1,0 .....]

2）第二个灰度图像向量的阵列成本函数，每个元素中有2500个元素（数字从0到300）。这些数字是来自50 * 50像素图像的像素。 - [[13 160 239 192 219 199 4 60 ..] [....] [....] [....] [....]]

该数据集的大小相当重要的（约12000个元素）。 我想建立bery基本的二元分类器，它会给出合适的结果。比方说，我想选择非深度学习，但一些监督方法。 这种情况适合吗？我已经尝试过使用各种参数的sklearn的SVM。但结果是不恰当的，并主要由1组成：[1,1,1,1,1,0,1,1,1，...]

什么是正确的方法？数据集的大小不足以通过监督算法得到好的结果吗？

Answer 1

您或许应该在cross-validated上发帖： 但是作为一个直接的答案，您应该看看顺序来排列学习者，因为您已经很清楚SVM不是理想的解决方案。

如果您不想走deep learning路线，您应该查看Markov models以进行顺序学习，然而，Neural Networks在图像分类问题方面有非常好的记录。

理想情况下，对于顺序学习，您应该尝试查看Long Short Term Memory Recurrent Neural Networks，并查看您当前的数据集是否在现有数据语料库上进行预训练（说CIFAR-10）可能有所帮助。

所以我的推荐是给Tensorflow一个高级库，如Keras/SKFlow。
神经网络只是您的机器学习曲目的另一个工具，您可能也会给它们一个真正的机会。

的编辑，以解决您的评论：
您的问题还没有一个缺乏SVM数据，
的SVM将工作做好，对于一个小的数据集，因为它会更容易为它过度拟合/适应在这个数据集上分离超平面。
随着您增加数据维度，请记住使用分离超平面来分离它变得越来越困难[查看维度的诅咒]。
但是，如果您以这种方式设置，请尝试一些降维 ，如PCA。

虽然这里你一定会找到另一个围栏断带神经网络， 由于Kohonen自组织映射做这个任务的美丽，你可以尝试 项目中的数据在一个较低的层面，因此允许SVM分离它具有更高的准确性。
我仍然必须坚持说你可能会使用不正确的方法。