人脸识别
文章平均质量分 78
duhaomin
开朗,爱运动
展开
-
SVM入门(一)
SVM入门(一)至(三)Refresh原地址 http://www.blogjava.net/zhenandaci/archive/2009/02/13/254519.html (一)SVM的八股简介支持向量机(Support Vector Machine)是Cortes和Vapnik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,并转载 2013-08-19 09:29:45 · 842 阅读 · 0 评论 -
模式识别
转自百度 : http://baike.baidu.com/view/14685.htm模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。模式识别又常称作模式分类,从处理问题的性质和解决问题的方法等角度,模式识别分为有监督转载 2013-08-16 11:40:32 · 3736 阅读 · 0 评论 -
OpenCV 训练分类器生成XML文件【完整过程】
在网上找了好多相关信息,有几篇写的很好的:http://blog.csdn.net/tyt2222008/article/details/5838389http://blog.csdn.net/carson2005/article/details/8171571http://blog.csdn.net/giantchen547792075/article/details/740原创 2013-08-21 17:59:40 · 25183 阅读 · 9 评论 -
SVM入门(十)将SVM用于多类分类
SVM入门(十)将SVM用于多类分类【红色是原作者文章中我觉得重要的地方,蓝色的是我的不解疑惑以及想法等等】从 SVM的那几张图可以看出来,SVM是一种典型的两类分类器,即它只回答属于正类还是负类的问题。而现实中要解决的问题,往往是多类的问题(少部分例外,例如垃圾邮件过滤,就只需要确定“是”还是“不是”垃圾邮件),比如文本分类,比如数字识别。如何由两类分类器得到多类翻译 2013-08-19 17:23:12 · 1744 阅读 · 0 评论 -
SVM入门(八)松弛变量
SVM入门(八)松弛变量现在我们已经把一个本来线性不可分的文本分类问题,通过映射到高维空间而变成了线性可分的。就像下图这样: 圆形和方形的点各有成千上万个(毕竟,这就是我们训练集中文档的数量嘛,当然很大了)。现在想象我们有另一个训练集,只比原先这个训练集多了一篇文章,映射到高维空间以后(当然,也使用了相同的核函数),也就多了一个样本点,但是这个样本的位置是这样的: 就是转载 2013-08-19 14:05:55 · 1024 阅读 · 0 评论 -
SVM 为何需要核函数 & 线性不可分转化为高维线性可分
【转载】原地址:http://www.blogjava.net/zhenandaci/archive/2009/03/06/258288.html生存?还是毁灭?——哈姆雷特可分?还是不可分?——支持向量机之前一直在讨论的线性分类器,器如其名(汗,这是什么说法啊),只能对线性可分的样本做处理。如果提供的样本线性不可分,结果很简单,线性分类器的求解程序会无限循环,永远也解不出转载 2013-08-16 14:49:00 · 9150 阅读 · 1 评论 -
SVM入门(九)松弛变量(续)
SVM入门(九)松弛变量(续)接下来要说的东西其实不是松弛变量本身,但由于是为了使用松弛变量才引入的,因此放在这里也算合适,那就是惩罚因子C。回头看一眼引入了松弛变量以后的优化问题:注意其中C的位置,也可以回想一下C所起的作用(表征你有多么重视离群点,C越大越重视,越不想丢掉它们)。这个式子是以前做SVM的人写的,大家也就这么用,但没有任何规定说必须对所有的松弛变量都使用同一个惩罚因子转载 2013-08-19 15:06:25 · 1432 阅读 · 0 评论 -
SVM入门(七)为何需要核函数
SVM入门(七)为何需要核函数生存?还是毁灭?——哈姆雷特可分?还是不可分?——支持向量机之前一直在讨论的线性分类器,器如其名(汗,这是什么说法啊),只能对线性可分的样本做处理。如果提供的样本线性不可分,结果很简单,线性分类器的求解程序会无限循环,永远也解不出来。这必然使得它的适用范围大大缩小,而它的很多优点我们实在不原意放弃,怎么办呢?是否有某种方法,让线性不可分的数据变得线性可转载 2013-08-19 13:51:01 · 913 阅读 · 0 评论 -
SVM入门(六)线性分类器的求解——问题的转化,直观角度
SVM入门(六)线性分类器的求解——问题的转化,直观角度让我再一次比较完整的重复一下我们要解决的问题:我们有属于两个类别的样本点(并不限定这些点在二维空间中)若干,如图,圆形的样本点定为正样本(连带着,我们可以把正样本所属的类叫做正类),方形的点定为负例。我们想求得这样一个线性函数(在n维空间中的线性函数):g(x)=wx+b使得所有属于正类的点x+代入以后有g(x+)≥1,而转载 2013-08-19 13:49:19 · 873 阅读 · 0 评论 -
SVM入门(五)线性分类器的求解——问题的描述Part2
SVM入门(五)线性分类器的求解——问题的描述Part2原地址:http://www.blogjava.net/zhenandaci/archive/2009/02/14/254630.html 从最一般的定义上说,一个求最小值的问题就是一个优化问题(也叫寻优问题,更文绉绉的叫法是规划——Programming),它同样由两部分组成,目标函数和约束条件,可以用下面的式子表示:转载 2013-08-19 11:48:32 · 1110 阅读 · 0 评论 -
SVM入门(四)线性分类器的求解——问题的描述Part1
SVM入门(四)线性分类器的求解——问题的描述Part1原地址 : http://www.blogjava.net/zhenandaci/archive/2009/02/13/254578.html 上节说到我们有了一个线性分类函数,也有了判断解优劣的标准——即有了优化的目标,这个目标就是最大化几何间隔,但是看过一些关于SVM的论文的人一定记得什么优化的目标是要最小化||w||这样的说法,转载 2013-08-19 11:17:09 · 957 阅读 · 0 评论 -
SVM入门(三)线性分类器Part 2
SVM入门(一)至(三)Refresh原地址 http://www.blogjava.net/zhenandaci/archive/2009/02/13/254519.htmlSVM入门(三)线性分类器Part 2 上回说到对于文本分类这样的不适定问题(有一个以上解的问题称为不适定问题),需要有一个指标来衡量解决方案(即我们通过训练建立的分类模型)的好坏,而分类间隔是一个比转载 2013-08-19 10:49:53 · 1249 阅读 · 0 评论 -
SVM入门(二)线性分类器Part 1
SVM入门(一)至(三)Refresh原地址 http://www.blogjava.net/zhenandaci/archive/2009/02/13/254519.html SVM入门(二)线性分类器Part 1线性分类器(一定意义上,也可以叫做感知机) 是最简单也很有效的分类器形式.在一个线性分类器中,可以看到SVM形成的思路,并接触很多SVM的核心概念.用一个二维空转载 2013-08-19 09:52:22 · 1122 阅读 · 0 评论 -
OpenCV Trackbar 实现播放视频代码遇到的问题 cvQueryFrame cvCreateFileCapture cvCreateTrackbar cvSetTrackbarPos
OpenCV Trackbar 实现控制播放视频代码遇到的问题 cvQueryFrame cvCreateFileCapture cvCreateTrackbar cvSetTrackbarPos在学习OpenCV的时候,学到视频播放控制的时候,遇到了这个函数:cvSetTrackbarPos,书籍给的标程运行起来总是遇到问题http://www.opencvchina.c原创 2013-08-08 13:56:41 · 1701 阅读 · 0 评论