我有 3 个不同的数据集，其中 3 个都是用相同化学物质染色的血涂片图像。血液涂片图像是捕获您的血液的图像，包括内部的红细胞、白细胞。
第一个数据集包含 2 个类别：正常与血癌 第二个数据集包含 2 个类别：正常与血液感染 第三个数据集包含 2 个类别：正常与镰状细胞病
所以，我想做的是：当我输入血涂片图像时，AI 系统会告诉我是：正常，还是血癌或血液感染或镰状细胞病（4 类分类任务）
我该怎么办？
我应该混合这 3 个数据集并只训练 1 个模型来检测 4 个类别吗？
或者我应该训练 3 个不同的模型并将它们组合起来？如果是，我应该用什么方法来组合？
更新：我搜索了一段时间。这个任务可以叫“学而不忘”吗？
【问题讨论】：
标签： deep-learning conv-neural-network
这是一个多类分类问题。您可以只训练一个模型，最后一层是 4 个单元（即输出维度）和 softmax 激活函数的全连接（密集）层。
【讨论】：
正如@Peter 所说，它完全依赖于数据。如果 4 个类别的图像，即正常、血癌、血液感染、镰状细胞病，肉眼很容易区分，并且所有类别之间没有混淆范围，那么您应该选择 1 个给出概率的模型在所有 4 个类中（如@maxi marufo 所述）。如果类之间存在混淆，并且图像无法用肉眼区分，或者类之间存在很多混淆范围，那么您应该使用 3 种不同的模型，但您将需要。假设 p1(normal) 和 p1(c1)、p2(normal) 和 p2(c2)、p3(normal) 和 p3(c3)，您只需从所有 3 个模型中获得预测概率。现在您可以平均(p1(normal),p2(normal),p3(normal)) 并为 p(normal), p1(c1), p2(c2), p3(c3) 使用 softmax。在您可以尝试的多种方法中，以上可能是其中一种。
【讨论】：
我认为这取决于数据。
您可以使用三种不同的模型并对每张图像进行三个二元预测。因此，对于每个 x 与正常值，您都会获得投票（概率）。如果二元分类是准确的，这应该会产生好的结果。但是在这种情况下，您会得到累积的错误分类或错误。
如果您负担得起，您可以训练一个四类模型并将测试错误与一系列二元分类进行比较。我了解到您已经拥有三个模型。所以训练另一个可能不会太贵。
如果只能出现其中一个类，则可以采用四类模型。如果实际上两个（或更多）类可以同时出现，那么一系列二元分类将是有意义的。
【讨论】：