怎麼區分樣本是正樣本還是負樣本

1樓：網友

正樣本是指屬於某一類別的樣本，負樣本是指不屬於某一類別的樣本。可以通過估計你所有樣本特徵的分佈，新的樣本出現時，利用分佈估計該樣本的出現概率，若是概率太小則認為是負樣本。要想用這個方法很好的去解決問題，需要所選的特徵的分佈在正樣本和負樣本有較大差異才比較有效。

首先將這個問題分為分類問題與檢測問題兩個方面進行理解：

在分類問題中，這個問題相對好理解，比如人臉識別中的例子，正樣本很好理解，就是人臉的**，負樣本的選取就與問題場景相關，具體而言，如果你要進行教室中學生的人臉識別，那麼負樣本就是教室的窗子、牆等等。

也就是說，不能是與你要研究的問題毫不相關的亂七八糟的場景，這樣的負樣本並沒有意義。

在檢測的問題中，理解著就不是那麼簡單了，因為檢測問題需要做的事情是指出**有什麼，也就是既要給出框，又要說明框中是什麼。

在這種情況下，所具備的資料就是一些人工標註的**，這些**上有框，並且會給出框中的物體類別，需要運用這些資料生成訓練中的正負樣本資料，參考了faster以及ssd兩種檢測框架中對於正負樣本的選取準則，理解如下：

首先，檢測問題中的正負樣本並非人工標註的那些框框，而是程式中（網路）生成出來的框框，也就是faster rcnn中的anchor boxes以及ssd中在不同解像度的feature map中的預設框，這些框中的一部分被選為正樣本，一部分被選為負樣本，另外一部分被當作背景或者不參與運算。

不同的框架有不同的策略，大致都是根據iou的值，選取個閾值範圍進行判定，在訓練的過程中還需要注意均衡正負樣本之間的比例。

2樓：失眠就要喝咖啡

其實總結來說就是一句話，與你目的相關的就是正樣本，無關的就是負樣本，舉個例子，有一堆字母**的資料集，你要識別哪個是含有a字母的**，那麼含有a字母的**就是正樣本，其他的都是負樣本，或者你做檢測的，有一堆標註好的資料集，那麼方框內的就是正樣本，反之都是負樣本或不參與的樣本。

3樓：

1）準備訓練樣本集合；包括正樣本集和負樣本集；根據機器學習的基礎知識我們知道，要利用機器學習演算法進行樣本訓練，從而得到乙個效能優良的分類器，訓練樣本應該是無限多的，而且訓練樣本應該覆蓋實際應用過程中可能發生的各種情況。

什麼叫樣本樣本解釋

4樓：清念景辰

1、樣本（specimen）是觀測或旅茄調查的一部分個體，總體是研究物件的全部。總體中抽取的所要考查的元素總稱，樣本中個體的多少叫樣本容量。一般的，樣本的內容是帶著單位的，例如：

調查某中學300名中學生的視力情況中，樣本是300名中學生的視力情況，而樣本容量則為300。

2、選取樣本的過程叫做抽樣，根據不同的物件，在抽樣脊和方法也有所不同。

3、樣本容量又稱「樣本數」。指乙個樣本的必要抽樣單位數目。在組織抽樣調查時，抽樣誤差的大小直接影響樣本指標代表性的大小，而必要的樣本單位數目是保證抽樣誤差不超過某一拆野察給定範圍的重要因素之一。

因此，在抽樣設計時，必須決定樣本單位數目，因為適當的樣本單位數目是保證樣本指標具有充分代表性的基本前提。