- 博客(16)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 “error C2664: “MessageBoxW”: 不能将参数 2 从“char [300]”转换为“LPCWSTR” 1> 与指向的类型无关；转换要求 reinterpret_”问题解决
为什么出现这个问题呢，因为我读到一个opencv的程序，其中调用MessageBox，下面为MessageBox的定义：MessageBox( HWND hWnd, LPCTSTR lpText, LPCTSTR lpCaption, UINT uType )其中，第2、3个参数定义为LPCTSTR，在程序中定义第二个参数为显示结果，如下图中的9
2016-01-12 10:03:42
5765
原创 《统计学习方法》学习笔记(四)——朴素贝叶斯法
相信大家对贝叶斯定理已经非常熟悉了，不过这里还是先对贝叶斯定理进行一下扫盲介绍。 预备知识：P(A|B)P(A|B)是在B发生的情况下A发生的可能性 假设B1,......,BnB_{1},......,B_{n}为互斥且构成一个完全事件，已知概率P(Bi),i=1,....,nP(B_{i}),i=1,....,n，现观察到某事件A与B1,......,BnB_{1},......,B_
2015-11-30 13:04:30
1845
原创 《统计学习方法》学习笔记（三）——K近邻法
K近邻法对于已标记类别，在新的实例样本进行分类时，根据离其最近的K个训练样本实例，统计每类的相应的个数，通过多数表决等方式进行预测。举个最简单的例子，就是当K=1时，就是我们所熟悉的最近邻方法（NN）。 首先，我们需要判断离新的实例样本最近的K个训练样本，确定距离度量的准则，我们举出一个通用的模型： Lp(xi,xj)=(∑nl=1|x(l)i−x(l)j|p)1pL_{p}(
2015-11-30 12:52:57
1045
原创 经典排序算法（四）希尔排序---C++
希尔排序是直接插入排序的升级版，实质上是一种分组的插入排序，根据增量进行分组然后进行插入排序，克服插入排序的效率低的劣势，但是它依然是不稳定的排序方式，希尔算法在最优和最坏情况下时间复杂度相差不多。 下面根据一个例子进行解释： 假设数据集合为data=[3,2,5,7,1,8,4,6]data=[3, 2, 5, 7, 1, 8, 4, 6] 增量选取为4,2,1 当增量为４
2015-11-28 16:37:59
558
原创 《统计学习方法》学习笔记（二）：感知机
今天讲到的是机器学习经典算法中比较简单的一种——感知机（Perceptron），用于二值分类的线性模型，寻找输入空间中将实例划分为正负两类的分离超平面，属于判别模型。 根据三要素顺序介绍感知机： 1、模型 假设输入空间X∈RnX \in R^{n}，输出空间为y∈Y={−1,1}y\in Y=\left \{ -1, 1 \right \} (刚刚接触机器学习发现此处为什
2015-11-27 14:11:52
774
原创 经典排序算法（三）选择排序--C++
选择排序：每一次将从待排序的数据元素中筛选出最小（或最大）的一个元素，存放在起始位置，直到全部待排序的数据元素排完。其最小时间代价为o(n2)o(n^{2})，虽然它相对于冒泡排序法速度提升，但是本身稳定性较差，例如数组中[5,5,3]从小到排序，第一个5会排在第二个5后面。 //选择排序法#include <iostream>using namespace std;const int N
2015-11-25 20:45:39
464
原创 经典排序算法（二）插入排序--C++实现
插入排序的基本思想是：每步将一个待排序的纪录，按其关键码值的大小插入前面已经排序的文件中适当位置上，直到全部插入完为止。下图是在百度百科中摘出的流程图。 通俗的说插入排序就是，首先选取一个位置，将待排序元素插入此位置，并与位置之前的元素比较大小，进行排序，一个萝卜一个坑的走下去，知道最后一个坑结束。 Ｃ++实现：#include <iostream>
2015-11-25 13:16:10
526
原创 经典排序算法（一）冒泡法排序----C++实现
冒泡法排序是一种比较简单的排序算法，算法复杂度为o(n2)o(n^{2})（PS:最好最坏的情况下都是这样） 具体实现步骤为： 1、指定最末元素为初始比较值，与向上相邻的元素比较大小； 2、如果小于相邻元素，则交换顺序，相反，顺序不变； 3、以步骤2中向上相邻元素在与相邻元素对比，然后重复步骤2； 4、重复步骤2、3，直到最顶端位置，如下图所示： 5、
2015-11-25 13:08:17
841
原创 《统计学习方法》学习笔记（一）：统计学习方法概论
最近开始研究机器学习，初步接触了几种常见的机器学习方法，在学习过程中，发现这些算法运用了大量的统计知识，为了对算法有更深刻的认识，在网上搜到了李航博士写的《统计学习方法》非常适合机器学习入门学习，于是在学校图书馆借来学习，接下来是我对本书每章节的个人笔记，边学习边总结，有一起学习的可以讨论。 第一章介绍的是统计方法的常用预备知识，是本书内容的基础。 统计学习 统计学习是
2015-11-18 14:02:08
839
原创 支持向量机SVM——LIBSVM
支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。今天介绍的是由台湾大学林智仁(Lin Chih-Jen)教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Wi
2015-11-16 14:14:35
2959
原创 协作表示PK稀疏表示
上篇文章介绍了基于稀疏表示的人脸，相对先前的人脸识别方法具有重大突破进展，其核心思想：通过训练样本对测试样本进行线性表示，使用L1−normL_{1}-norm求解稀疏系数，最后，利用残差对测试样本进行分类判别。SRC（Sparse Representation for classification）突出的是表示中的稀疏性是识别率提高的关键点，然而有关学者在进行研究过程中发现，稀疏性并不是真正的决
2015-11-10 14:10:47
3609
原创 稀疏表示人脸识别入门文章-《Robust Face Recognition via Sparse Representation》马毅
人脸识别是机器视觉中非常火的一个领域了，在近十几年来发展迅猛，而本文介绍的方法是基于稀疏表示分类（Sparse Representation based classification，SRC）的人脸识别，稀疏表示理论非常强大，突破了传统采样定了的束缚，信号的稀疏表示即用尽可能少的非零元素表示信号主要信息，简化信号处理的求解过程，马毅在09年将稀疏表示引入人脸识别中，其性能相比之前的人脸识别方法具有突
2015-11-09 15:53:15
6484
1
原创 《Learning From Data》第一章（二）读书笔记
1.3 Is learning feasible 学习可行性：目标函数f是机器学习的最终目的，由于它是未知的，如何在提供的有限信息中确定目标函数呢？ 在学习过程中，目标函数f通过数据集合D学习得到，对于训练数据之外的事件不能保证预测结果，这样的过程只能说是在记忆，而不是学习，也就是说真正的学习过程就是在数据中学习且能预测未知事件结果。（书中举了一个例子大家可以学习下，理解上述过
2015-11-05 17:30:41
2254
1
原创 《Learning From Data》第一章（一）
对本书进行了几天的学习，每个章节内容比较长，偏于理论，对于机器学习初学者掌握其中的内容非常重要，只是理解起来比较困难，第一章分为两部分进行学习。1 The Learning Problem 1.1. Problem Setup 1.1.1. Components of Learning 1.1.2 A Simple Learning Model 1.1.3
2015-10-13 13:10:30
5501
3
原创 《Learning From Data》读书笔记——引言
《Learning From Data》读书笔记——引言本书是由机器学习大牛 Yaser S. Abu-Mostafa写的，PDF版本下载地址http://pan.baidu.com/s/1hq75iQC他的徒弟台湾大学林轩田（多次代表台大获得KDD Cup冠军）在coursera上传课程，视频下载地址：http://pan.baidu.com/s/1pJ5UWHl，配合图书进行学习，本书共有五个章
2015-10-10 17:17:06
6269
1
原创 稀疏表示综述
哈工大徐勇发表在IEEE上面关于稀疏表示及其应用的综述性文章：A Survey of Sparse Representation: Algorithms and Applications。这是他的Homepage：http://www.yongxu.org/lunwen.html 里面有许多的代码和文章可以下载A Survey of Sparse Representation: Algo
2015-07-02 16:03:41
2902
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人