机器学习
billbliss
这个作者很懒,什么都没留下…
展开
-
随机蕨(Random Ferns)
最近在做人脸对齐的时候,看到famous的文章《Face Alignment by Explicit Shape Regression》使用了随机蕨来做人脸特征点的回归预测。先回想一下随机森林。随机森林是很多棵决策树组成的,每颗决策树使用部分的训练样本以及部分的训练特征,并在此特征空间内按信息熵增益从小到大(特征区别度从大到小)来进行分支。最后的分类结果由多棵决策树共同表决,给出lable。转载 2018-01-21 16:51:48 · 1209 阅读 · 0 评论 -
Parzen window 概率密度估计
非参数估计:已知样本所属的类别,但未知总体概率密度函数的形式,要求我们直接推断概率密度函数本身。非参数估计的方法主要有:直方图法、核方法。Parzen窗估计属于非参数估计的核方法的一种。在数学上一个连续概率密度函数p(x)的需满足以下的条件:1、x在a和b之间的概率为:window概率密度估计" title="Parzen window概率密度估计" sty转载 2018-01-25 17:09:27 · 4011 阅读 · 0 评论 -
liblinear libsvm
LIBSVM与LIBLINEAR对于多分类问题以及核函数的选取,以下经验规则可以借鉴: 如果如果特征数远远大于样本数的情况下,使用线性核就可以了.如果特征数和样本数都很大,例如文档分类,一般使用线性核, LIBLINEAR比LIBSVM速度要快很多.如果特征数远小于样本数,这种情况一般使用RBF.但是如果一定要用线性核,则选择LIBLINEAR较好,而且使用-s 2选项转载 2018-02-05 09:40:35 · 398 阅读 · 0 评论