| http://dbpedia.org/ontology/abstract
|
In machine learning, multiple-instance lea … In machine learning, multiple-instance learning (MIL) is a type of supervised learning. Instead of receiving a set of instances which are individually labeled, the learner receives a set of labeled bags, each containing many instances. In the simple case of multiple-instance binary classification, a bag may be labeled negative if all the instances in it are negative. On the other hand, a bag is labeled positive if there is at least one instance in it which is positive. From a collection of labeled bags, the learner tries to either (i) induce a concept that will label individual instances correctly or (ii) learn how to label bags without inducing the concept. Babenko (2008) gives a simple example for MIL. Imagine several people, and each of them has a key chain that contains few keys. Some of these people are able to enter a certain room, and some aren’t. The task is then to predict whether a certain key or a certain key chain can get you into that room. To solve this problem we need to find the exact key that is common for all the “positive” key chains. If we can correctly identify this key, we can also correctly classify an entire key chain - positive if it contains the required key, or negative if it doesn't.e required key, or negative if it doesn't.
, У машинному навчанні навчання за набором з … У машинному навчанні навчання за набором зразків (ННЗ) — це тип керованого навчання. Замість того, щоб отримувати множину екземплярів, кожен з яких розмічений, учень отримує множину мічених мішків, кожен з яких містить багато екземплярів. У простому випадку двійкової класифікації мішок може бути позначений негативним, якщо всі екземпляри в ньому негативні. З іншого боку, мішок позначається позитивним, якщо в ньому є хоча б один екземпляр, який є позитивним. Для множини мішків із мітками, учень намагається або (i) вивести концепцію, яка правильно позначить окремі екземпляри, або (ii) навчитися маркувати мішки, без виведення цього поняття. Бабенко (2008) наводить простий приклад для ННЗ. Уявіть кілька людей, і кожен з них має брелок з ключами. Деякі з цих людей можуть увійти до певної кімнати, а деякі — ні. Завдання полягає в тому, щоб передбачити, чи певний ключ або певний брелок дозволить Вам потрапити до цієї кімнати. Для вирішення цієї проблеми нам потрібно знайти точний ключ, який є спільним для всіх «позитивних» брелоків. Якщо ми можемо правильно визначити цей ключ, ми також можемо правильно класифікувати будь-який брелок — він буде ідентифікований як позитивний, якщо він містить необхідний ключ, або негативний, якщо такого немає.й ключ, або негативний, якщо такого немає.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Mildiag.jpg?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
http://pages.cs.wisc.edu/~sray/papers/mip.reg.icml01.pdf +
|
| http://dbpedia.org/ontology/wikiPageID
|
48841414
|
| http://dbpedia.org/ontology/wikiPageLength
|
34219
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1093139685
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Boosting_%28meta-algorithm%29 +
, http://dbpedia.org/resource/Neural_networks +
, http://dbpedia.org/resource/Decision_trees +
, http://dbpedia.org/resource/Binary_classification +
, http://dbpedia.org/resource/File:Mildiag.jpg +
, http://dbpedia.org/resource/Boosting_%28machine_learning%29 +
, http://dbpedia.org/resource/Supervised_learning +
, http://dbpedia.org/resource/Feature_%28machine_learning%29 +
, http://dbpedia.org/resource/Axis-aligned_object +
, http://dbpedia.org/resource/Support_vector_machines +
, http://dbpedia.org/resource/Category:Machine_learning +
, http://dbpedia.org/resource/Calmodulin +
, http://dbpedia.org/resource/Multi-label_classification +
, http://dbpedia.org/resource/Machine_learning +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Cite_conference +
, http://dbpedia.org/resource/Template:Cite_journal +
, http://dbpedia.org/resource/Template:Harvtxt +
, http://dbpedia.org/resource/Template:Machine_learning_bar +
, http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Cite_book +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Machine_learning +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Multiple_instance_learning?oldid=1093139685&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/Mildiag.jpg +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Multiple_instance_learning +
|
| owl:sameAs |
http://www.wikidata.org/entity/Q25304516 +
, https://global.dbpedia.org/id/2Nry8 +
, http://dbpedia.org/resource/Multiple_instance_learning +
, http://uk.dbpedia.org/resource/%D0%9D%D0%B0%D0%B2%D1%87%D0%B0%D0%BD%D0%BD%D1%8F_%D0%B7%D0%B0_%D0%BD%D0%B0%D0%B1%D0%BE%D1%80%D0%BE%D0%BC_%D0%B7%D1%80%D0%B0%D0%B7%D0%BA%D1%96%D0%B2 +
, http://tr.dbpedia.org/resource/%C3%87oklu_%C3%B6rnekle_%C3%B6%C4%9Frenme +
|
| rdfs:comment |
У машинному навчанні навчання за набором з … У машинному навчанні навчання за набором зразків (ННЗ) — це тип керованого навчання. Замість того, щоб отримувати множину екземплярів, кожен з яких розмічений, учень отримує множину мічених мішків, кожен з яких містить багато екземплярів. У простому випадку двійкової класифікації мішок може бути позначений негативним, якщо всі екземпляри в ньому негативні. З іншого боку, мішок позначається позитивним, якщо в ньому є хоча б один екземпляр, який є позитивним. Для множини мішків із мітками, учень намагається або (i) вивести концепцію, яка правильно позначить окремі екземпляри, або (ii) навчитися маркувати мішки, без виведення цього поняття.кувати мішки, без виведення цього поняття.
, In machine learning, multiple-instance lea … In machine learning, multiple-instance learning (MIL) is a type of supervised learning. Instead of receiving a set of instances which are individually labeled, the learner receives a set of labeled bags, each containing many instances. In the simple case of multiple-instance binary classification, a bag may be labeled negative if all the instances in it are negative. On the other hand, a bag is labeled positive if there is at least one instance in it which is positive. From a collection of labeled bags, the learner tries to either (i) induce a concept that will label individual instances correctly or (ii) learn how to label bags without inducing the concept.o label bags without inducing the concept.
|
| rdfs:label |
Multiple instance learning
, Навчання за набором зразків
|
