上限分析（Ceiling analysis）

光学字符识别并不是一个单一的过程，而是由若干过程构成的流水线。我们知道，字符识别作为该流水线的出口，其将是衡量光学字符识别准确率的依据。工程浩瀚，我们不可能在流水线的每一步都花费巨额的精力来作出改善，因此，我们需要一种手段来知道去改善哪一步是最值得的，**上限分析（Ceiling analysis）**就是手段之一。

所谓上限分析，就是我们假定某个组件及其前面组件的精度都达到了 100%，即该组件完美地完成了任务，达到了上限，那么此时整个系统的精度能提升多少。例如，假定整个系统的精度是 72%，我们令文本检测的精度是 100%（比如人工利用 PS 来定位图片中的文本框），此时，整个系统的精度能提升到 89%。即，如果我们付出足够多的精力来优化文本检测，那么理想情况下，能将系统的精度提升 17%：

完成上限分析后，我们得到上面的表格，可以看出，最值得花费精力的步骤是文本检测，最不值得花费精力的是字符分割，即便我们完成了 100% 的分割，最多也就对系统提升 1%。

11.4 上限分析-机器学习笔记-斯坦福吴恩达教授相关推荐

11.2 滑动窗口-机器学习笔记-斯坦福吴恩达教授
滑动窗口(Sliding window) 文本检测中的滑动窗口滑动窗口是检测图像中目标对象的最常用手段,在文本检测阶段,我们首先定义正.负样本,正样本图像描述了含有文本的图像,负样本描述了不含文本的 ...
3.11 程序示例--逻辑运算-机器学习笔记-斯坦福吴恩达教授
程序示例–逻辑运算我们使用感知器神经网络来描述逻辑AND运算: 代码: # coding: utf-8 # neural_network/test_logic_and.py "" ...
4.4 机器学习系统设计--垃圾邮件分类-机器学习笔记-斯坦福吴恩达教授
机器学习系统设计–垃圾邮件分类假定我们现有一封邮件,其内容如下: From: cheapsales@buystufffromme.com To: ang@cs.stanford.edu Subjec ...
11.3 人工合成数据-机器学习笔记-斯坦福吴恩达教授
人工合成数据在字符识别阶段,为了更好的完成分类识别任务,我们就需要给系统提供尽可能多的训练图像,如果我们手头上拥有的图像不多,就需要人工合成更多的数据.例如,我们可以收集不同的字体,并为每种字体的每 ...
11.1 问题描述及流程-机器学习笔记-斯坦福吴恩达教授
问题描述及流程假定我们有下面一张图片,光学字符识别要解决的问题就是识别图片中的所有字符: 光学字符识别的工作流程为: 文本检测:获得包含了文本的文本框. 字符分割:从文本框中分割出各个字符字符分类 ...
5.11 程序示例--垃圾邮件检测-机器学习笔记-斯坦福吴恩达教授
程序示例–垃圾邮件检测邮件内容的预处理下面展示了一封常见的 email,邮件内容包含了一个 URL (http://www.rackspace.com/),一个邮箱地址(groupname-uns ...
5.5 SVM补充-机器学习笔记-斯坦福吴恩达教授
SVM补充决策边界 Coursera 上 ML 的课程对 SVM 介绍有限,参看了周志华教授的<机器学习>一书后,补充了当中对于 SVM 的介绍. 首先,我们考虑用更传统的权值定义式来描 ...
3.12 程序示例--多分类问题-机器学习笔记-斯坦福吴恩达教授
多分类问题我们手上包含有手写字符的数据集,该数据集来自斯坦福机器学习的课后作业,每个字符图片大小为 20×20 ,总的样本规模为 5000×400 , 我们的神经网络设计如下,包含 1 个隐含层,隐 ...
10.2 梯度下降-机器学习笔记-斯坦福吴恩达教授
梯度下降批量梯度下降法(Batch gradient descent) 拥有了大数据,就意味着,我们的算法模型中得面临一个很大的 m 值.回顾到我们的批量梯度下降法: 重复直到收敛:重复直到收敛:重 ...

11.4 上限分析-机器学习笔记-斯坦福吴恩达教授

上限分析（Ceiling analysis）

11.4 上限分析-机器学习笔记-斯坦福吴恩达教授相关推荐

最新文章

热门文章