আপনার সমস্যার বর্ণনার ভিত্তিতে, এইচএমএম (জেনারেটরি মডেল) এবং সিআরএফ (বৈষম্যমূলক মডেল) উভয়ই কাজ করবে। দুটি পদ্ধতির আরও গভীরতার জন্য এই আলোচনাটি দেখুন:
একটি জেনারেটর এবং বৈষম্যমূলক অ্যালগরিদমের মধ্যে পার্থক্য কী?
একটি পরামর্শ: একটি অ্যালগরিদম বাছাই করার আগে সাবধানতার সাথে আপনার সংখ্যাসূচক ডেটা দেখে ম্যাটল্যাব প্লট বা এর অনুরূপ দিয়ে শুরু করুন। যদি তথ্যটি বহুমাত্রিক হয় (উদাহরণস্বরূপ একাধিক সেন্সর থেকে বল প্রয়োগ করা মান) তবে কিছু ক্ষেত্রে (যেমন সেন্সর পড়ে) দরকারী বৈষম্যমূলক তথ্য ধারণ করে না; এক্ষেত্রে প্রিন্সিপাল কম্পোনেন্ট অ্যানালাইসিসের সাথে ডেটা সংকুচিত করুন যাতে প্রশিক্ষণ এবং শ্রেণিবিন্যাসের সময় আপনার আরও কমপ্যাক্ট বৈশিষ্ট্য থাকে।
এখন, আপনার প্রশ্ন সম্পর্কে:
পার্থক্যটি হ'ল এইচএমএমগুলি আপনার প্রতিটি টেক্সচার ক্লাসকে বিভিন্ন গোপন ভেরিয়েবল / রাজ্যগুলির সাথে প্রতিনিধিত্ব করতে পারে, এইভাবে প্রতিটি যোগাযোগের অভ্যন্তরীণ টেম্পোরাল বিবর্তনকে ক্যাপচার করে। আমরা বলতে পারি যে এইচএমএম আরও ভাল আপনার ডেটার "নিম্ন-স্তরের" (অন্তর্-শ্রেণি) গতিবিদ্যা। উদাহরণস্বরূপ, আপনার ক্ষেত্রে এইচএমএমগুলি আপনাকে প্রতিটি তথ্য অধিগ্রহণের তিনটি পৃথক পর্যায় স্পষ্টভাবে মডেল করার অনুমতি দেবে: (১) রোবট এবং অবজেক্টের মধ্যে যোগাযোগের সূচনা; (২) যোগাযোগের স্থিতিশীল অংশ; (3) যোগাযোগ এবং প্রকাশের সমাপ্তি। এই পর্যায়গুলির একই সময়ে একই মান সামগ্রীর জন্যও বিভিন্ন মান থাকতে পারে এবং শ্রেণিবিন্যাসের ফলাফলগুলিকে উন্নত করতে এগুলি পৃথক করে দেওয়া বুদ্ধিমান হতে পারে।
অন্যদিকে, সিআরএফগুলি আপনার ডেটা বিতরণের "উচ্চ-স্তরের" (আন্তঃ-শ্রেণি) সম্পর্কগুলি ক্যাপচারের জন্য আরও উপযুক্ত, যা স্পিটিও-টেম্পোরাল ভেরিয়েবিলিটি উচ্চতর হয় বা পর্যবেক্ষণের বৈশিষ্ট্যগুলির মধ্যে খুব সমান হয় যখন কখনও কখনও গুরুত্বপূর্ণ হয় বিভিন্ন শ্রেণীর অন্তর্গত দুটি নমুনা।
ব্যক্তিগতভাবে আমি এইচএমএমগুলি ব্যবহার করা সহজ এবং আমি সেগুলি দিয়ে শুরু করব, তবে আপনার মাইলেজটি ভিন্ন হতে পারে।
যদি আমি আরও বিভাগে শ্রেণিবদ্ধ করার সিদ্ধান্ত নিয়েছি এবং প্রতিটি বিভাগের মধ্যে পার্থক্যটি খুব সূক্ষ্ম হয়, সেক্ষেত্রে ভাল পছন্দ কী হবে?
সেক্ষেত্রে সিআরএফস আরও শক্তিশালী পছন্দ হতে পারে (উপরে দেখুন)।
এই বিভাগগুলিতে টেক্সচারকে শ্রেণিবদ্ধ করার জন্য আমার প্রয়োজনীয় সমস্ত তথ্য ক্যাপচার করার জন্য ফোর্স-ডেটা কি যথেষ্ট হবে?
ভিজ্যুয়াল বৈশিষ্ট্যগুলি (অবজেক্টের উপস্থিতি) যুক্ত করা, বিশেষত যদি উচ্চ-রেজোলিউশনের ক্যামেরাগুলি দ্বারা বন্দী হয় তবে এটি নির্ধারণ করতে সহায়তা করতে পারে যে বস্তুটির রুক্ষ টেক্সচার আছে কি না।