タグ付けされた質問 「segmentation」

特定のデータセットのセクションを最適な曲線に分割するための文書化されたアルゴリズムはありますか？ たとえば、このデータチャートを見るほとんどの人間は、それを3つの部分に容易に分割します：正弦波セグメント、線形セグメント、および逆指数セグメント。実際、私はこの特定のものを正弦波、直線、および単純な指数公式で作成しました。 そのような部品を見つけるための既存のアルゴリズムはありますか？その後、さまざまな曲線/線に個別に適合させて、データのサブセットの最適な種類の複合シリーズを作成できますか？ この例では、セグメントの両端がほぼ並んでいますが、必ずしもそうではないことに注意してください。セグメントのカットオフで値が突然揺れることもあります。おそらく、それらのケースは検出しやすいでしょう。 更新：これは、実世界のデータの小さな画像です： 更新2：これは異常に小さい実世界のデータセットです（509データポイントのみ）： 4,53,53,53,53,58,56,52,49,52,56,51,44,39,39,39,37,33,27,21,18,12,19,30,45,66,92,118,135,148,153,160,168,174,181,187,191,190,191,192,194,194,194,193,193,201,200,199,199,199,197,193,190,187,176,162,157,154,144,126,110,87,74,57,46,44,51,60,65,66,90,106,99,87,84,85,83,91,95,99,101,102,102,103,105,110,107,108,135,171,171,141,120,78,42,44,52,54,103,128,82,103,46,27,73,123,125,77,24,30,27,36,42,49,32,55,20,16,21,31,78,140,116,99,58,139,70,22,44,7,48,32,18,16,25,16,17,35,29,11,13,8,8,18,14,0,10,18,2,1,4,0,61,87,91,2,0,2,9,40,21,2,14,5,9,49,116,100,114,115,62,41,119,191,190,164,156,109,37,15,0,5,1,0,0,2,4,2,0,48,129,168,112,98,95,119,125,191,241,209,229,230,231,246,249,240,99,32,0,0,2,13,28,39,15,15,19,31,47,61,92,91,99,108,114,118,121,125,129,129,125,125,131,135,138,142,147,141,149,153,152,153,159,161,158,158,162,167,171,173,174,176,178,184,190,190,185,190,200,199,189,196,197,197,196,199,200,195,187,191,192,190,186,184,184,179,173,171,170,164,156,155,156,151,141,141,139,143,143,140,146,145,130,126,127,127,125,122,122,127,131,134,140,150,160,166,175,192,208,243,251,255,255,255,249,221,190,181,181,181,181,179,173,165,159,153,162,169,165,154,144,142,145,136,134,131,130,128,124,119,115,103,78,54,40,25,8,2,7,12,25,13,22,15,33,34,57,71,48,16,1,2,0,2,21,112,174,191,190,152,153,161,159,153,71,16,28,3,4,0,14,26,30,26,15,12,19,21,18,53,89,125,139,140,142,141,135,136,140,159,170,173,176,184,180,170,167,168,170,167,161,163,170,164,161,160,163,163,160,160,163,169,166,161,156,155,156,158,160,150,149,149,151,154,156,156,156,151,149,150,153,154,151,146,144,149,150,151,152,151,150,148,147,144,141,137,133,130,128,128,128,136,143,159,180,196,205,212,218,222,225,227,227,225,223,222,222,221,220,220,220,220,221,222,223,221,223,225,226,227,228,232,235,234,236,238,240,241,240,239,237,238,240,240,237,236,239,238,235 ここでは、いくつかの既知の実世界の要素のエッジの近似位置を点線で示してグラフ化していますが、これは通常はあり得ない贅沢です。 しかし、私たちが持っている贅沢の1つは後知恵です。私の場合のデータは時系列ではなく、空間的に関連しています。データセット全体（通常は5000〜15000データポイント）を一度に分析するのが理にかなっており、継続的な方法ではありません。

14 fitting  curve-fitting  segmentation 

休業。この質問には詳細または明確さが必要です。現在、回答を受け付けていません。 この質問を改善してみませんか？詳細を追加し、この投稿を編集して問題を明確にしてください。 2年前休業。 2つのセットを比較するために、特に画像のセグメンテーション（たとえば、グラウンドトゥルースとセグメント化された結果の類似性の比較）のために、3つの異なる統計的測定値に出くわします。 これらの測定値の違いは何ですか（これらは数学的に非常に似ています）： サイコロ ジャカード オーバーラップ 私はDiceを使用した論文をより頻繁に見ていますが、他の人はJaccardとオーバーラップ係数の使用を提案しています。それらの違いは何ですか？

11 machine-learning  similarities  dice  segmentation  jaccard-similarity 

技術用語の誤用を謝罪します。私は、畳み込みニューラルネットワーク（CNN）によるセマンティックセグメンテーションのプロジェクトに取り組んでいます。タイプEncoder-Decoderのアーキテクチャを実装しようとしているため、出力は入力と同じサイズです。 ラベルはどのようにデザインしますか？どの損失関数を適用する必要がありますか？特にクラスの不均衡が激しい状況では（ただし、クラス間の比率はイメージごとに異なります）。 問題は2つのクラス（対象オブジェクトと背景）を扱います。Kerasをtensorflowバックエンドで使用しています。 これまでのところ、予想される出力をピクセル単位のラベリングを適用して入力画像と同じ次元になるように設計しています。モデルの最終層には、ソフトマックスアクティベーション（2つのクラスの場合）またはシグモイドアクティベーション（ピクセルがオブジェクトクラスに属する確率を表すため）があります。次のタイプのタスクに適した目的関数の設計に問題があります。 function(y_pred,y_true)、 Kerasとの合意による。 関係するテンソルの寸法（モデルの入力/出力）を具体的に示してください。どんな考えや提案も大歓迎です。ありがとうございました ！

9 conv-neural-network  image-processing  segmentation 

まず第一に、私の質問は非常に広範であり、そのためにこの質問に答えるのが難しいかもしれないことを理解しています。 2000以上のさまざまな製品の予測/予測を行う必要がある「問題」にアプローチする方法について何かアドバイスはありますか？つまり、製品ごとに異なる予測/予測が必要です。私は週レベルで2年間の履歴データを持っています（つまり、製品ごとの週あたりの需要）。 これを短期間で行う必要があります。これを行うには約1週間かかるため、比較的優れた予測モデルをすばやく作成できる方法を探しています。各製品のモデルを作成し、そのパフォーマンスを1つずつ綿密に検査するのは、時間がかかりすぎます。 分散に基づいて製品をセグメント化することを考えたので、分散が低い製品の単純なモデルを使用できます。これは理想的ではないかもしれませんが、作成する必要のあるモデルの数を絞り込むための簡単な方法です。 この問題への取り組みについて、実際的なアドバイスをいただければ幸いです。

9 time-series  forecasting  segmentation 

いくつかの条件付き確率と、95％の信頼区間を計算しています。私のケースの多くでは、（分割表からの）試行からのx成功の単純なカウントがあるnため、で提供さbinom.confint(x, n, method='exact')れてRいるような二項信頼区間を使用できます。 しかし、他の場合では、そのようなデータがないので、ベイズの定理を使用して、持っている情報から計算します。たとえば、イベントおよび与えられた場合：baaabbb P（a | b ）= P（B |）⋅ P（a ）P（b ）P(a|b)=P(b|a)⋅P(a)P(b) P(a|b) = \frac{P(b|a) \cdot P(a)}{P(b)} \ textrm {binom.confint}（\＃\ left（b \ cap {} a）、\＃（a）\ right）を使用してP（b | a）の周りの95％信頼区間を計算でき、比率P（a）/ P（b）を周波数比\＃（a）/ \＃（b）として。この情報を使用してP（a | b）の周囲の信頼区間を導出することは可能ですか？P（b | a ）P(b|a)P(b|a)binom.confint（＃（B ∩a ）、＃（a ））binom.confint(#(b∩a),#(a))\textrm{binom.confint}(\#\left(b\cap{}a),\#(a)\right)P（a ）/ P（b ）P(a)/P(b)P(a)/P(b)＃（a ）/＃（b ）#(a)/#(b)\#(a)/\#(b)P（a | b ）P(a|b)P(a|b) ありがとう。

8 r  bayesian  confidence-interval  conditional-probability  hidden-markov-model  segmentation  hypothesis-testing  statistical-significance  multiple-comparisons  multiple-regression  r  regression  survey  sample  finite-population  pca  model-selection  dataset  partitioning  clustering  time-series  least-squares  regression  standard-error  causality  r  time-series  outliers  missing-data  machine-learning  svm  hypothesis-testing  discrete-data  r  data-visualization  survey  likert  finance  regression  pca  feature-selection  stepwise-regression  underdetermined  svm  natural-language