- 博客(6)
- 资源 (20)
- 收藏
- 关注
RSS订阅原创 机器学习实战5--Logistic回归
前面的分类都是基于标签是离散值进行的，这里回归是针对标签是连续值进行的。 假设现在有一些数据点，我们用一条直线对这些点进行拟合，这个拟合过程就是回归，该线就是最佳拟合直线。主要思想：根据现有数据对分类边界线建立回归公式，以此进行分类。回归就是最佳拟合，找到最佳拟合参数集，训练分类器的做法就是寻找最佳拟合参数，使用的是最优化算法。 找到分类回归系数就可以了。 1：基于logistic回归和Sig
2016-02-29 14:30:06
991
原创 机器学习实战4--朴素贝叶斯
分类器在进行分类的时候会给出一个最优的类别猜测结果，同时给出这个猜测的概率估计值。若p1>p2,那么属于类别1,反之属于类别2。 朴素贝叶斯属于贝叶斯决策理论的一部分：贝叶斯准则是计算条件概率的方法，若已知P(x|c),要求P(c|x)，则p(c|x)=p(x|c)p(c)/p(x)。 p(c1|x,y)表示给定某个由x，y表示的数据点，那么该数据点来自c1的概率是多少。利用贝叶斯准则求得p(x
2016-02-27 15:07:46
2697
转载 大津法---OTSU算法
OPENCV的二值化操作中，有一种“大津阈值处理”的方法，使用函数cvThreshold(image,image2,0,255,CV_THRESH_OTSU) 实现，该函数就会使用大律法OTSU得到的全局自适应阈值来进行二值化图片，而参数中的threshold不再起作用。 OTSU算法 OTSU算法也称最大类间差法，有时也称之为大津算法，由大津于1979年提出，被认为是图像分割中阈值选取的最佳算
2016-02-25 11:23:40
1266
原创 LSD_SLAM编译问题解决
由于要学习下SLAM的知识，就决定在ubantu上运行一个SLAM框架，看了一些东西后，决定在orb_slam和 lsd_slam 这两个框架上进行运行。 首先开始运行lsd_slam，这里碰到了一些问题，以及找到的解决方法，在此记录下，以防以后找不到，也是对碰到这类问题的同行一些启发。 要向编译lsd_slam，首先安装ROS indigo，这个环境编译时，必须安装boost，我的电脑是ubu
2016-02-24 16:49:04
5175
5
原创 机器学习实战3--决策树
K近邻可以完成很多分类任务，但其无法给出数据的内在含义。 这次来阐述下决策树的原理及python实现，另有实例剖析。 决策树可以使用不熟悉的数据集合，从中提取一系列规则。原理：在构造决策树时，需要找到当前数据集上哪个特征在划分数据分类时起决定作用。为了找到决定性的特征，划分出最好的结果，我们必须评估每个特征。找到最好的划分特征时，完成第一次分类，数据集被划分成几个数据子集，这些数据子集会分布在第
2016-02-24 15:58:30
2872
原创 机器学习实战2--K近邻
本博客基于机器学习实战这本书，主要是对机器学习的算法原理及python实现进行详细解释，若是有些没有阐述清楚的，看到的请指出。 第二章的K近邻算法是一个简单的机器学习算法。 K近邻算法： 原理：收集一个样本数据集合，并且样本集中每个数据都存在标签。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。选择样本数据集中
2016-02-23 16:29:06
1326
zynq内核配置文件
2015-10-27
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人