- 博客(5)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 机器学习入门之决策树法
决策树法1、决策树模型与学习1.1、决策树模型分类决策树模型是一种描述对实例进行分类的树形结构，决策树由结点和有向边组成。结点分为两种，内部结点和叶子结点；内部结点表示一个特征或者属性；叶子结点表示一个类。用决策树分类，从根结点开始，对实例的某一个特征进行测试，根据测试结果，将实例分配到其子结点上。这时每一个子结点对应于该特征的一个取值。如此递归对实例进行测试并分配。直到到达叶结点，最后将实例分到叶
2016-11-16 17:10:25
4856
原创 直播技术（从服务端到客户端）三
FFmpeg介绍-上前两篇文章分别介绍如何在三端（android，ios ，server）编译ffmpeg以及简单的推流的功能和在android和ios上实现播放功能。从这篇文章开始我们将详细介绍FFmpeg。介绍大概分为两部分，解码、编码。整个过程和上一篇博客中介绍的流程一样。解码过程在上一篇文章中我们提到了视频播放过程中，FFmpeg做的一些工作，主要包含以下步骤： av_register
2016-11-15 19:36:46
2809
原创 机器学习入门之朴素贝叶斯法
之朴素贝叶斯法朴素贝叶斯法是基于贝叶斯定理和特征条件独立假设分类方法。对于给定训练集，首先基于特征条件独立性的假设，学习输入/输出联合概率（计算出先验概率和条件概率，然后求出联合概率）。然后基于此模型，给定输入x，利用贝叶斯概率定理求出最大的后验概率作为输出y。朴素贝叶斯法实现简单，学习和预测效率都很高，是一种常用的分类方法。1、朴素贝叶斯法的学习与分类1.1、基本方法设输入空间X∈Rn为n维向量的
2016-11-14 15:05:57
4904
原创 机器学习入门之K近邻法
K近邻法K-近邻法是一种基本分类与回归算法。K-近邻法的输入为实例特征向量，对应于特征空间的点；输出为实例的类别，可以去多类。 K-近邻算法直观、简单：给定一个训练数据集，对新的输入实例，在训练实例中找到与该实例最邻近的k个实例，这k个实例多数属于某一类别，就把该输入实例分为该实例。K近邻法模型K近邻法使用的模型实际上对应的是特征空间的划分。模型有三个基本要素：距离度量，k值的选择，分类决策规则。
2016-11-10 16:50:31
1325
原创 机器学习入门之感知机
感知机感知机是二类分类线性分类模型，输出的值为{+1， -1}两种类型；感知机是利用超平面将两类分离，再次我们将通过三个方面对感知机进行详细的阐述。分别是感知机模型，感知机学习策略，感知机学习算法。感知机模型假设输入空间（特征空间）是X∈Rn，输出空间是Y={+1, -1}。输入x∈X表示实例特征向量。对应于输出空间（特征空间）的点：输出y∈Y表示实例类别，由输入空间到输出空间的如下函数： f(
2016-11-07 17:53:01
4484
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人