Недавно я опубликовал набор данных ( ссылку ) с 369 классами. Я провел пару экспериментов на них, чтобы понять, насколько сложна задача классификации. Обычно мне нравится, если есть матрицы путаницы, чтобы увидеть тип совершаемой ошибки. Однако матрица не практична.
Есть ли способ дать важную информацию больших матриц путаницы? Например, обычно есть много нулей, которые не так интересны. Можно ли отсортировать классы так, чтобы большинство ненулевых элементов располагалось по диагонали, чтобы можно было показывать несколько матриц, которые являются частью полной матрицы путаницы?
Вот пример для большой матрицы путаницы .
Примеры в дикой природе
Рисунок 6 из EMNIST выглядит красиво:
Легко увидеть, где много случаев. Тем не менее, это только классов. Если бы вместо одного столбца использовалась целая страница, это, вероятно, могло бы быть в 3 раза больше, но это все равно было бы только 3 × 26 = 78 классов. Даже близко не 369 классов HASY или 1000 ImageNet.
Смотрите также
Мой похожий вопрос на CS.stackexchange