1
00:00:00,382 --> 00:00:04,272
[NHẠC]

2
00:00:04,272 --> 00:00:06,618
Chúng ta đang giảm phông và

3
00:00:06,618 --> 00:00:10,980
chúng ta sẽ huấn luyện một mô hình cơ bản trong tập dữ liệu này.

4
00:00:10,980 --> 00:00:15,890
Điều đầu tiên tôi sẽ làm là không sử dụng các bức tranh mà

5
00:00:15,890 --> 00:00:18,050
chỉ sử dụng các điểm ảnh của các hình ảnh và

6
00:00:18,050 --> 00:00:21,400
huấn luyện một bộ phân loại trên các điểm ảnh 
của các hình ảnh và xem nó hoạt động tốt như thế nào.

7
00:00:21,400 --> 00:00:25,625
Hãy tiếp tục thực hiện nó.

8
00:00:25,625 --> 00:00:33,119
@Train a classifier.

9
00:00:33,119 --> 00:00:34,420
Tôi sai chính tả ở đây.

10
00:00:34,420 --> 00:00:39,248
#Train a classifier on

11
00:00:39,248 --> 00:00:43,420
the raw image pixels.

12
00:00:45,410 --> 00:00:49,790
Đây sẽ là các tính năng của tôi, các điểm ảnh thô 
không phải là các tính năng sâu.

13
00:00:49,790 --> 00:00:54,306
Và tôi sẽ gọi là the raw, xin lỗi

14
00:00:54,306 --> 00:01:01,400
raw_pixel_model.

15
00:01:01,400 --> 00:01:04,480
Bộ phân loại tôi sẽ sử dụng, tôi có thể sử dụng bộ phân loại.

16
00:01:04,480 --> 00:01:06,280
Sự biểu thị sẽ là giống nhau.

17
00:01:06,280 --> 00:01:08,200
Tôi sẽ sử dụng quy hồi logic,

18
00:01:08,200 --> 00:01:12,730
cái mà chúng ta sử dụng trong ghi chú phân tích cảm tính.

19
00:01:12,730 --> 00:01:16,480
Trong quy hồi logic chúng ta sẽ đưa vào tập dữ liệu.

20
00:01:16,480 --> 00:01:18,270
Đây là tập dữ liệu huấn luyện.

21
00:01:20,730 --> 00:01:22,960
Đây là image_train của tôi.

22
00:01:22,960 --> 00:01:26,030
Tôi sẽ nói mục đích là gì.

23
00:01:27,560 --> 00:01:31,790
Mục đích là một cột trong tập dữ liệu được gọi là nhãn mác.

24
00:01:31,790 --> 00:01:36,440
Và cột đó có nhãn mác cho mỗi hình ảnh.

25
00:01:37,710 --> 00:01:41,260
Tôi sẽ nói các tính năng sử dụng là gì.

26
00:01:41,260 --> 00:01:48,410
Trong trường hợp này các tính năng
 là một cột được gọi là image_array.

27
00:01:48,410 --> 00:01:51,793
Tôi sẽ chạy nó.

28
00:01:51,793 --> 00:01:55,400
Tôi đánh sai chính tả, mô đun,

29
00:01:55,400 --> 00:01:59,720
tôi quên một thứ và bạn nên nhắc tôi.

30
00:02:01,110 --> 00:02:05,470
Trong Graphlab Create động từ mà bạn làm để tạo ra mô hình là create.

31
00:02:05,470 --> 00:02:07,747
Graphlab quy hồi logic,

32
00:02:07,747 --> 00:02:11,400
logistic_classifier.create tạo ra bộ phân loại.

33
00:02:11,400 --> 00:02:13,710
Bây giờ nó thực hiện.

34
00:02:13,710 --> 00:02:17,546
Chúng ta đang sử dụng các điểm ảnh thô để xây dựng một bộ phân loại.

35
00:02:17,546 --> 00:02:22,470
Giống như một đánh giá nhanh, tôi không mong nó quá tốt.

36
00:02:22,470 --> 00:02:24,670
Nhưng hãy tiếp tục làm nó.

37
00:02:24,670 --> 00:02:27,400
Nó đã được thực hiện ngay bây giờ.

38
00:02:29,360 --> 00:02:33,890
Hãy xem nó đã biểu thị như thế nào.

39
00:02:33,890 --> 00:02:37,850
Điều đầu tiên mà tôi sẽ làm là đưa ra dự đoán với mô hình.

40
00:02:39,030 --> 00:02:44,736
Hãy #Make a prediction with

41
00:02:44,736 --> 00:02:51,039
the simple model based on raw pixels.

42
00:02:53,941 --> 00:02:57,698
Tôi sẽ lấy một số hình ảnh từ tập dữ liệu kiểm tra và

43
00:02:57,698 --> 00:03:01,450
tôi sẽ xem bộ phân loại thể hiện điều gì.

44
00:03:01,450 --> 00:03:07,880
Tôi sẽ gọi là image_test và nhìn vào ba hình ảnh đầu tiên.

45
00:03:07,880 --> 00:03:11,940
image 0:3, image0,1 và 2.

46
00:03:11,940 --> 00:03:16,930
Và tôi sẽ nhìn vào các hình ảnh.

47
00:03:16,930 --> 00:03:22,358
Tôi sẽ nhập .show() để cho bạn thấy các hình ảnh là gì.

48
00:03:22,358 --> 00:03:24,656
Đây chúng ta có.

49
00:03:24,656 --> 00:03:31,420
Các hình ảnh như tôi đã nói là một phần nhỏ trong tập dữ liệu.

50
00:03:31,420 --> 00:03:37,140
Nhưng tôi sẽ làm cái này lớn hơn, các hình ảnh ở đây là một con mèo,

51
00:03:37,140 --> 00:03:39,250
một chiếc ô tô và một con mèo nữa.

52
00:03:39,250 --> 00:03:40,340
Hai con mèo và một chiếc ô tô.

53
00:03:40,340 --> 00:03:41,390
Ô tô, mèo à không

54
00:03:41,390 --> 00:03:42,880
mèo, ô tô, mèo.

55
00:03:42,880 --> 00:03:49,780
Tôi sẽ bỏ phông to để chúng ta có thể thấy các kết quả.

56
00:03:49,780 --> 00:03:53,170
Bây giờ hãy nhìn vào các nhãn mác cho hình ảnh này.

57
00:03:53,170 --> 00:03:55,510
Đây là dữ liệu kiểm tra này.

58
00:03:55,510 --> 00:04:01,570
Và đây là nhân tố từ 0 đến 3,

59
00:04:01,570 --> 00:04:06,910
tôi đã nói đó là mèo, ô tô, mèo những hãy xem các nhãn thực là gì.

60
00:04:06,910 --> 00:04:14,320
Cột nhãn mác và bạn sẽ thấy nó là mèo, ô tô, mèo.

61
00:04:14,320 --> 00:04:17,330
Nó là xe tự động không phải ô tô nhưng cũng giống nhau.

62
00:04:17,330 --> 00:04:21,632
Ok hãy xem 

63
00:04:21,632 --> 00:04:26,700
raw_pixel_model dự đoán điều gì.

64
00:04:26,700 --> 00:04:32,345
DDeerr tôi xem cái nó dự đoán cho tập dữ liệu về ba hình ảnh này.

65
00:04:32,345 --> 00:04:39,400
Image_test của 03.

66
00:04:39,400 --> 00:04:43,810
Sự thực là mèo, ô tô, mèo và nó dự đoán chim, mèo, chim.

67
00:04:43,810 --> 00:04:47,355
Nó có ba cái sai vì nghĩ mèo là chim,

68
00:04:47,355 --> 00:04:52,030
nó nghĩ rằng ô tô là mèo, nghĩ mèo là chim.

69
00:04:52,030 --> 00:04:56,520
Tất cả đều sai.

70
00:04:56,520 --> 00:04:59,880
Có thể là một số hình ảnh đầu tiên bị sai, vì thế

71
00:04:59,880 --> 00:05:02,870
hãy xem các dự đoán thực là gì.

72
00:05:04,300 --> 00:05:07,990
Hãy ước tính mô hình của dữ liệu kiểm tra và

73
00:05:07,990 --> 00:05:12,710
xem độ chính xác phân loại thực là gì.

74
00:05:12,710 --> 00:05:18,524
#Evaluating raw pixel model on test data.

75
00:05:18,524 --> 00:05:24,717
Tôi sẽ lấy raw_pixel_model này và

76
00:05:24,717 --> 00:05:28,946
tôi sẽ đánh giá và

77
00:05:28,946 --> 00:05:33,628
cái mà đánh giá là nó chỉ làm và

78
00:05:33,628 --> 00:05:40,576
tính toán một số lỗi, các chỉ số lỗi,

79
00:05:40,576 --> 00:05:44,673
và tôi sẽ sử dụng tập kiểm tra.

80
00:05:44,673 --> 00:05:51,349
Ở đây bạn thấy tính chính xác chỉ là 46,8%.

81
00:05:51,349 --> 00:05:52,720
Nó thật tệ.

82
00:05:52,720 --> 00:05:57,280
Bạn có bốn lớp, đoán ngẫu nhiên là 25% chúng được cân bằng.

83
00:05:57,280 --> 00:05:59,570
Ở đây có 46%, không quá thú vị.

84
00:06:00,660 --> 00:06:03,670
Có nhiều chi tiết hơn ở đây.

85
00:06:03,670 --> 00:06:05,670
Ma trận phức tập đã được vẽ.

86
00:06:05,670 --> 00:06:09,594
Tôi sẽ không đi qua nó nhưng ở nhà bạn có thể khám phá thêm.

87
00:06:09,594 --> 00:06:11,312
Nhưng chỉ cần nhớ 46%.

88
00:06:11,312 --> 00:06:14,929
[NHẠC]