机器学习
文章平均质量分 78
jinzhou742
理想主义者
展开
-
【机器学习】Matlab中应用K-means算法实现图像压缩
**1. K-means图片压缩算法步骤:**① 随机选择初始化的K个样本作为聚类中心,用数组centroids保存聚类中心的值,在本实验中,聚类的中心是图像的RGB值;② 针对图片中的每个像素值,计算它到K个聚类中心的距离,并将其分配到距离最小的聚类中心所对应的类中。例如,第735个像素点距离centroids中目前的第2个聚类中心距离最近(此距离为欧式距离),则将idx[735]赋值为2;③ 上一步完成后,idx(size==像素点个数)中储存了每个像素点对应的分类(一共有K个分类),针对每个分类原创 2021-12-06 16:04:04 · 3069 阅读 · 0 评论 -
【机器学习】SVM中对函数间隔和几何间隔的理解
超平面表达式:函数间隔 : 对于在超平面上的点, wx+b=0wx+b=0wx+b=0 恒成立。而超平面之外的点,可以认为距离越远,wx+bwx+bwx+b 的绝对值越大,同时分类成功的概率也越高,表达式为:几何间隔 : 顾名思义,几何间隔就是两条平行线之间的距离,表达式为:考虑SVM的目标,是要使所有样本点中几何间隔的最小值尽可能大:即最优化问题为:将约束条件的左右两边同时乘以 ∣∣w∣∣||w||∣∣w∣∣,可以得到表达式: yi(w⋅xi+b)≥γ⋅∣∣w∣∣y_i(w·x_i+b原创 2021-11-23 15:35:58 · 1810 阅读 · 0 评论 -
【机器学习】逻辑回归基本思路
逻辑回归Decision boundry的寻找思路:对于给定的样本D=(x1,y1),(x2,y2),......,(xN,yN)x_1,y_1),(x_2,y_2),......,(x_N,y_N)x1,y1),(x2,y2),......,(xN,yN),逻辑回归首先假定有一个超平面wTx+b=0w^Tx+b=0wTx+b=0可以对其进行划分,当给定的样本特征使wTx+b>0w^Tx+b>0wTx+b>0时,将其分为正样本1,反之当wTx+b<0w^Tx+b<原创 2021-11-08 18:49:53 · 780 阅读 · 0 评论