机器学习
文章平均质量分 74
JJH的创世纪
涉猎技术有
1.linux
2.网络
3.互联网集群架构,分布式架构,大数据架构
4.java/c/c++/python/js
5.网络爬虫
6.嵌入式,硬件,qt
7.ros系统,slam,机器学习算法
8.自动驾驶相关
展开
-
PointRCNN 车辆 行人 自行车识别
代码地址:https://github.com/sshaoshuai/PointRCNN项目原始测试环境:Linux (tested on Ubuntu 14.04/16.04)、Python 3.6+、PyTorch 1.0自测通过环境:Ubuntu 16.04、Python 3.7.6 in Anaconda、Pytorch 1.2 + CUDA 9.2Python 3.7.6 in Anaconda安装官方指南:https://docs.anaconda.com/anaconda/ins原创 2021-07-22 20:17:07 · 1207 阅读 · 0 评论 -
AB3DMOT 车辆 行人识别
代码库:https://github.com/xinshuoweng/AB3DMOT搭建环境:Ubuntu 16.04、Python 3.7.6 in Anaconda、Pytorch 1.2 + CUDA 9.2预研环境搭建参照PointRCNN环境搭建及运行所述KITTI object tracking数据集下载数据集官网:http://www.cvlibs.net/datasets/kitti/eval_tracking.php按照项目说明进行预研时,只需要下载image_02数据集:h原创 2021-07-22 20:12:10 · 1584 阅读 · 0 评论 -
YOLOv3 车辆,行人,自行车检测
参考地址https://github.com/ghimiredhikura/Complex-YOLOv3(另有基于YOLOv4的https://github.com/maudzung/Complex-YOLOv4-Pytorch)Requirementsnumpytorch=1.1torchvisiontensorflowterminaltablestqdmopencv-pythonshapely实测torch 1.2.0+cu92及tensorflow 2.3.0可运行安装及测试原创 2021-07-22 20:08:21 · 1867 阅读 · 0 评论 -
Unity MapToolbox 下载安装使用使用 autowareAWDSmap插件 绘制高精度地图
11原创 2020-09-02 16:51:51 · 6974 阅读 · 27 评论 -
线性回归,损失的定义,损失函数与优化方法,用统计学习方法来理解线性回归、损失函数和优化方法,Sklearn使用方法
目录1.线性回归一元线性关系多元线性关系2.损失:评估预测结果与真实值的偏差程度误差累积的结果总损失计算公式:损失函数:最小二乘法3.损失函数的优化方法4.用统计学习方法来理解线性回归、损失函数和优化方法5.Sklearn API接口与使用方式波士顿房价预测案例参考文档1.线性回归线性回归属于监督学习的回归问题的一类,由于回归问题的目标值是连续的,所以线性回归算法的目标是寻找连续的目标值之间的一种趋势,通过获取这种趋势来建立模型。得到测试集后,将特征值原创 2020-08-09 11:56:46 · 4565 阅读 · 0 评论 -
信息熵-信息的数学度量,决策树的划分依据-信息增益,常见的决策树算法、优缺点,决策树算法-分类树案例
目录1.决策树2.信息熵-信息的数学度量3.决策树的划分依据-信息增益4.常见的决策树算法5.决策树算法-分类树参考文章1.决策树 简而言之,决策树是一棵树,其中每个分支节点代表多个备选方案之间的选择,每个叶节点代表一个决策。它是一种监督学习算法,主要用于分类问题,适用于分类和连续输入和输出变量。 是归纳推理的最广泛使用和实用的方法之一(归纳推理是从具体例子中得出一般结论的过程)。决策树从给定的例子中学习和训练数据,并预测不可见的情况。程序设计中的条件分支结构(if-..原创 2020-08-02 00:21:56 · 1757 阅读 · 0 评论 -
朴素贝叶斯 混淆矩阵,2分类下的混淆矩阵,精确率与召回率,F1-score
目录1.混淆矩阵2.精确率(Precision)与召回率(Recall)3.F1-score4.sklearn API接口参考文档1.混淆矩阵混淆矩阵就是分别统计分类模型归错类,归对类的观测值个数,然后把结果放在一个表里展示出来。这个表就是混淆矩阵。在分类任务中,预测结果与正确标记之间存在四种不同的组合,构成混淆矩阵,以下是二分类的混淆矩阵:假设有一组数据集,一共有66个样本,三个目标值,猫、狗、猪。混淆矩阵为:关于这个混淆矩阵,从真实值为猫这一列开始看,代.原创 2020-07-25 15:07:53 · 7682 阅读 · 0 评论 -
概率基础,朴素贝叶斯算法,朴素贝叶斯在sklean下的用法
目录1.概率基础2.联合概率和条件概率3.基本概率案例4.朴素贝叶斯-贝叶斯公式5.朴素贝叶斯实例6.sklean下使用朴素贝叶斯算法参考文档1.概率基础①由于事件的频数总是小于或等于试验的次数,所以频率在0~1之间,从而任何事件的概率在0~1之间,即0≤P(A)≤1.②每次试验中,必然事件一定发生,因此它的频率为1,从而必然事件的概率为1,如,在掷骰子试验中,由于出现的点数最大是6,因此P(E)=1③每次试验中,不可能事件一定不出现,因此他的频率为0,从而不原创 2020-07-21 23:48:34 · 379 阅读 · 0 评论 -
什么是k近邻算法,K近邻算法:Fackbook最近入住预测
目录1.什么是k近邻算法2.K近邻算法与标准化3.K近邻算法:Fackbook最近入住预测参考文档1.什么是k近邻算法设想一个场景,在地图上,一个人处于圆圈位置,他需要知道自己在哪个区(事实上它处于朝阳区)。假设这个人不能看地图,但是他可以询问地图上的5个朋友,于是他逐个去问,他是这么问的:请告诉我你距离我多远以及你处在哪个区?于是乎5个人分别告诉他们里此人的距离,其中穿蓝色衣服的(如图所示)说出的距离与他最近,同时告诉他自己身处朝阳区。于是这个人得出结论:我和穿蓝色衣服的朋友最近,原创 2020-07-18 23:52:34 · 1189 阅读 · 1 评论 -
特征工程:转换器与估计器,估计器的工作原理
目录1.转换器与估计器1_当转换器与估计器输入数据集不一致时2_当省略估计器时会报错3_其他估计器的API接口4_估计器的工作流程参考文章1.转换器与估计器fit_transform()这个函数实际分为两步fit():估计器,输入数据集后,先计算平均值,方差,标准差。transform():只有估计器工作后,才能进行数据转换1_当转换器与估计器输入数据集不一致时值得注意的是,当数估计器和转换器的输入数据集不一样时,转换器会以估计器输入的数据集来计算平均值和标.原创 2020-07-12 23:45:40 · 513 阅读 · 0 评论 -
数据集划分,sklearn.datasets使用方式,数据集分隔,分类算法实例:鸢尾花数据集、手写数字数据集
目录1.数据集划分2.sklearn.datasets库1_datasets.load_*()2_datasets.fetch_*(data_home=None)3_返回值类型4_数据集分隔实例1:鸢尾花数据集实例2:手写数字数据集参考文章1.数据集划分机器学习一般的数据集会划分为两个部分:训练数据:用于训练,构建模型 测试数据:在检验模型时使用,用于评估模型是否有效训练集用于建立模型。验证集用来确定网络结构或者控制模型复杂程度的参数,而测试集则检验最终选原创 2020-07-12 22:38:23 · 2160 阅读 · 0 评论 -
sklearn 数据预处理,数据降维之特征选择,PCA主成分分析
目录1.数据集的维度2.什么是数据集降维3.数据降维的方式4.特征选择1.特征选择的原因2.特征选择是什么3.特征选择的主要方法4.Filter(过滤式):VarianceThreshold5.PCA主成分分析sklearn对pca的支持1.数据集的维度何为维度?对于一组数据集,其特征的数量即为改组数据的维度;如[90,2,10,40]这样一组数据的维度即为42.什么是数据集降维如图所示,左边的一组数据为三维数据,假设其三个特征为x,y,z,假设不考.原创 2020-07-08 00:13:30 · 5352 阅读 · 0 评论 -
sklearn 特征预处理,归一化和标准化,缺失值处理
目录1.什么是特征处理2.不同的特征数据处理方式3.归一化公式公式讲解sklearn 归一化实例归一化的运用场景归一化的缺点——异常点4.标准化公式公式分析sklearn 标准化实例标准化的意义缺失值处理方法参考资料1.什么是特征处理通过特点的统计法(数学方法),将数据转换成算法要求的数据2.不同的特征数据处理方式数值型数据(实数型),通过标准缩放进行处理,标准缩放简单来讲就是将数字大小缩小化(偏0),如100缩小到0~1之间.原创 2020-07-05 23:09:02 · 3073 阅读 · 0 评论 -
sklearn 特征提取,字典特征提取,文本特征抽提取
1.什么是机器学习机器学习是从数据中自动分析获得规律(模型),并利用规律对未知数据进行预测2.数据集以及数据存储机器学习采集到的数据以csv文件存储,Pandas[1]是python的一个数据分析包,最初由AQR Capital Management于2008年4月开发,并于2009年底开源出来,目前由专注于Python数据包开发的PyData开发team继续开发和维护,属于PyData项目的一部分。Pandas最初被作为金融数据分析工具而开发出来,因此,pandas为时间序...原创 2020-07-04 16:14:57 · 1509 阅读 · 0 评论