使用决策树进行图像分类答案

【问题标题】：Image classification using decision tree使用决策树进行图像分类
【发布时间】：2020-04-07 04:43:06
【问题描述】：

好的，我正在学习如何使用决策树，并希望使用图像。所以我已经阅读了它们是如何工作的，我需要帮助才能继续，因为我找不到太多材料（我知道我没有找到正确的方向）。

所以我有很多 8x8 图像。所以我拍摄了这些图像并将它们展平并创建了 192 值的向量。 [8 * 8 * 3（RGB 为 3）]。我已经根据它们的旋转（0、90、180、270）标记了每个图像。有了这两个数据，我如何构建决策树来计算杂质和基尼，根据图像的旋转对图像进行分类？

我已经阅读了许多决策树的示例，但所有示例都有与图像无关的示例（具有年龄、性别等特征）。

我任何人都可以向我提供有用的资源来阅读如何使用 DT 进行图像分类，或者可以指导我将非常有帮助，因为我对我应该对我拥有的数组做什么一无所知.

谢谢。

【问题讨论】：

请查看Which site? 了解更多问题。您正在寻求高级设计和教程指导。这些超出了 Stack Overflow 的范围。 On topic、how to ask 和 ...the perfect question 在此处申请。

【解决方案1】：

向量的每个维度都成为特征。

您提到的示例中的特征是年龄、性别等。

您的问题中的特征是每个维度，即您有 192 个特征。

决策树会选择最佳特征，据此对图像进行分类，从而降低整体熵。

但我不建议使用决策树进行图像分类。

最好使用神经网络，比如 CNN（卷积神经网络），但您也可以从简单的开始。我建议你阅读这篇文章。 https://www.analyticsvidhya.com/blog/2019/01/build-image-classification-model-10-minutes/

【讨论】：

【解决方案2】：

我最近研究了一个类似的问题，使用决策树处理 MNIST 数据集。

大部分工作是使用 R 完成的，但基础知识可以外推到其他平台。

您似乎已经进行了数据准备。然后是训练您的决策树以获得决策树模型的问题。

模型描述了将分析哪些特征以确定拆分。在这种情况下，每个特征都是您的像素之一。在这种情况下，通过查看一个像素的强度，决策树能够确定它是否为 1。准确度不是很好，而且对于一些数字来说令人震惊，但如果您追求简单，那么它可以为您提供可接受的结果，特别是如果您愿意使用复杂的决策树。

this link 中的代码示例允许您将数据导入 R，创建模型并对其进行测试。

您可以查看项目的日志，特别是在下面的链接中提到的介绍和最小模型。

【讨论】：