Discussion :

[abidineb]

Bonjour
Quand le cas 2 classes (noir-blanc) sont linéairement séparables (données a deux dimensions) normalement la corrélation d'une variable1 ou 2 avec sa classe soit grande, hélas c'est pas mon cas?
Comment peut on expliquer ce phénomène?

[abidineb]

Bonjour
Peut être je me suis mal exprime au début, j'ai trouver des relations linéaires forte entres mes ma variable classe, et les autre variables de ma matrice a 4 variable. sachant que ma base sur les chiffres manuscrit, comment peut on expliquer ces relation linéaire, c'est a dire par quoi??
Merci de votre aide

[pseudocode]

Si tu nous donnais un exemple de données et les calculs que tu as fait, ca serait plus clair.

[abidineb]

Bonjour
Je voudrai tout simplement savoir quand les données sont bien séparées par exemple en deux classes, ca a une relation avec: la Corrélation entre la vecteur des classes et les vecteurs de données,
Dans mon cas j'ai 4 vecteurs, avec le nombre des point 1000000 parce que je travaille avec architecture parallèle.
?
merci
Cordialement

[abidineb]

Bonjour
Je vais reformuler mon problème pour la dernière fois, peut être il n'est pas clair,
je vais présenter mon problème comme suit:
Après l'acquisition des images satellitaires, avec 54 bandes, je trouve en utilisant la corrélation qu'il ya des relation entres mes variables de données et mes classes, je voudrait savoir est ce qu'il faut tout simplement valider ces relations, ou plutôt ces relation linéaire est du a qqch chose?, je voudrais savoir c'est quoi? dans le cas général bien sur c'est a dire sans restriction du domaine image?
Merci
Cordialement

[pseudocode]

je trouve en utilisant la corrélation qu'il ya des relation entres mes variables de données et mes classes

corrélation = similarité des deux variables aléatoires (ou deux signaux, vecteurs de données, ...).

Quelles sont ces deux variables aléatoires ? des vecteur de caractéristiques ? Si oui, comment sont-ils calculés ?

[abidineb]

Non, c'est la dimension des vecteurs de caractéristique, c'est pas le vecteur caractéristique en lui même, dans mon cas 200 variables?

[abidineb]

Bonjour
Je sais cette histoire a dure longtemps, mais si c'était les vecteurs comme tu l'as dit au dessus, ça serai facile, il faut juste voir comment les vecteurs sont calcules, mais c'est c'est pas le cas? t'as saisi un peu mon probleme?
merci

[pseudocode]

Non, c'est la dimension des vecteurs de caractéristique, c'est pas le vecteur caractéristique en lui même, dans mon cas 200 variables?

La dimension d'un vecteur, c'est un nombre entier. Tu fais la corrélation entre deux entiers ?

[abidineb]

Re
Peut être je ne suis pas clair, c'est vrai, dans une matrice de donnée il y a les lignes et les colonnes, je parle des colonnes? leur corrélation avec la variable des classes

[pseudocode]

Re
Peut être je ne suis pas clair, c'est vrai, dans une matrice de donnée il y a les lignes et les colonnes, je parle des colonnes?

Donc, d'un coté, tu as des vecteurs (un par colonne) constitués de N coordonées (N = nmb de ligne de la matrice)

leur corrélation avec la variable des classes

et de l'autre cote tu as une "variable des classes" ? c'est quoi ? un nombre ?

[abidineb]

Je voudrai tout simplement pour résumer savoir quand est ce la corrélation donne de bon résultats? si on prend l'exemple des vecteurs avec leur variable comme tu l'as dit au début? supposant que les calcul des vecteurs est avec les coefficient d'ondelette de har? je ne peut pas être plus clair que ça
Cordialement

[pseudocode]

Je voudrai tout simplement pour résumer savoir quand est ce la corrélation donne de bon résultats? si on prend l'exemple des vecteurs avec leur variable comme tu l'as dit au début? supposant que les calcul des vecteurs est avec les coefficient d'ondelette de har? je ne peut pas être plus clair que ça
Cordialement

"de bons résultats" en terme de quoi ? De classification d'un vecteur par rapport a des vecteurs de référence ?

Dans ce cas, ca donne de "bons résultats" si les vecteurs de références forment une base orthogonale.

[abidineb]

Merci beaucoup mais tu m'as pas préciser concernant la solution de l'orthogonalité pour les vecteurs de données ou les vecteurs de caractéristiques?
donc

[pseudocode]

Merci beaucoup mais tu m'as pas préciser concernant la solution de l'orthogonalité pour les vecteurs de données ou les vecteurs de caractéristiques?
donc

Heu... les vecteurs de la base. Ce que tu sembles appeler "variables des classes" et qui sert a catégoriser tes vecteurs de caractéristiques

[Matthieu Brucher]

Si tes données sont linéairement séparables, tu as un point P et un vecteur V directeur de la droite qui séparent les deux classes.
Si tu prends le signe de V.(P-nouveau_point), tu sauras quelle est la classe. Le but du jeu est de trouver un P et un V adéquat (rassures-toi, c'est une infinité de couples... tu peux te restreindre à un ||V|| = 1 et P(0) = 0 par exemple), généralement à l'aide d'une optimisation classique (C - V.(P-nouveau_point)/||V.(P-nouveau_point)||)² avec C = +-1 selon la classe.

[abidineb]

Ok.merci, problème résolu

[abidineb]

Merci M. Matthieu Brucher