自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(9)
  • 收藏
  • 关注

原创 c++注册回调函数机制

在C++中,注册回调函数是一种常见的设计模式,它允许程序在特定事件发生时执行预先定义的函数。在C++中,回调函数通常以函数指针、函数对象(functors)、Lambda表达式或std::function对象的形式存在。:注册回调函数机制提供了高度的灵活性,允许用户定义自己的行为,而不必修改触发事件的代码。:当特定的事件发生时,程序会遍历注册的回调函数列表,并按顺序调用它们。函数是一个回调函数,它被注册到系统中,并在事件触发时被调用。:回调函数可以接收参数,这些参数通常由触发事件的代码提供。

2024-04-20 08:59:27 737 1

原创 c++单例模式

单例(Singleton)是一种常用的软件设计模式,其核心思想是确保一个类只有一个实例,并提供一个全局访问点来获取这个实例。单例模式在很多场景下都非常有用,尤其是当某个类的对象需要被多个不同部分的程序频繁访问,同时又要确保只存在一个该类的对象时。方法,都将返回指向相同单例对象的指针,确保了单例对象的唯一性。通过这种方式,无论何时何地调用。

2024-04-19 18:16:25 184

原创 3.2_最大似然估计

似然函数�(�)L(θ)给出了从该类总体中抽出�1,�2,…,��x 1​ ,x 2​ ,…,x N​ 这样N个样本的概率。一般来说,使得这个概率最大的�θ是我们需要的最大似然估计量。

2023-12-17 14:34:41 922

原创 2.5_正态分布概率模型下的最小错误率贝叶斯决策

在多元正态分布的条件下,基于最小错误率贝叶斯决策只要能做到各类别的协方差矩阵是一样的,那么无论先验概率是否相等,都可以用线性分界面实现。最小(欧氏)距离分类器则要求各正态分布的协方差矩阵为单位矩阵,且各类别的先验概率相等。

2023-12-16 18:07:42 2152 1

原创 2.4_多元正态分布

设随机向量x服从多元正态分布,即x∼NμΣ, 其中x表示d维的向量,μ也表示d维的向量,Σ表示dxd维的协方差矩阵。随机向量xfx2πd/2∣Σ∣1/21​e2−1​x−μTΣ−1x−μ1其中Σ−1是Σ的逆矩阵,∣Σ∣为其行列式。μEx2ΣE[(x−μx−μT3可知μμ1​μ2​μd​xx1​x2​xd​μi​是μ的第i个分量,σij。

2023-12-15 22:48:29 839

原创 2.3_两类错误率Neyman_Pearson决策与ROC曲线

研究两类错误率,将样本分为阳性(正样本)和阴性(负样本);那么将样本分错就有两类情况,一是将阳性样本分成了阴性(即假阴);二是将阴性样本分成了阳性(假阳)

2023-12-15 10:59:37 1025

原创 2.2_最小风险贝叶斯决策

本节考虑了在有风险的情况下,该选择什么样的决策,同时我们也发现,在风险一致的情况下,最小风险贝叶斯决策就是最小错误率贝叶斯决策。

2023-11-28 09:55:24 559

原创 2.1_最小错误率贝叶斯决策

最小错误率贝叶斯决策核心是在于将最小错误率转换成了最大化后验概率

2023-11-27 15:36:18 1804

原创 5.4_Fisher线性判别分析

Fisher判别函数最优的解本身只是给出了一个投影方向,并没有给出我们需要的分类面(和投影方向正交),需要在投影方向上确定一个分类阈值。,它们分别表示每个类别内部所有样本的离散程度。

2023-11-25 01:06:18 1491 1

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除