机器学习
文章平均质量分 60
机器学习算法笔记
BoBo玩ROS
时刻提醒自己:“不要太把自己当回事!”
展开
-
Python 分类问题研究-Logistic回归模型
【实验目的】1.掌握常见机器学习分类模型思想、算法,包括Fisher线性判别、KNN、朴素贝叶斯、Logistic回归、决策树等;2.掌握Python编程实现分类问题,模型评价指标、计时功能、保存模型。【实验要求】理解Python在分类问题中的评价指标等细节操作;掌握本章讲授的分类问题的Python编程操作。【实验过程】(必要的实验步骤、绘图、代码注释、数据分析)实验步骤1、读入数据2、数据预处理3、数据分析方法介绍4、编程实现数据分析方法,含代码注释5、重要结果的图表绘制6、原创 2022-04-27 00:15:00 · 657 阅读 · 0 评论 -
Python 分类问题研究-朴素贝叶斯模型
【实验目的】1.掌握常见机器学习分类模型思想、算法,包括Fisher线性判别、KNN、朴素贝叶斯、Logistic回归、决策树等;2.掌握Python编程实现分类问题,模型评价指标、计时功能、保存模型。【实验要求】理解Python在分类问题中的评价指标等细节操作;掌握本章讲授的分类问题的Python编程操作。【实验过程】(必要的实验步骤、绘图、代码注释、数据分析)实验步骤1、读入数据2、数据预处理3、数据分析方法介绍4、编程实现数据分析方法,含代码注释5、重要结果的图表绘制6、原创 2022-04-26 00:15:00 · 886 阅读 · 0 评论 -
Python 分类问题研究-KNN
【实验目的】1.掌握常见机器学习分类模型思想、算法,包括Fisher线性判别、KNN、朴素贝叶斯、Logistic回归、决策树等;2.掌握Python编程实现分类问题,模型评价指标、计时功能、保存模型。【实验要求】理解Python在分类问题中的评价指标等细节操作;掌握本章讲授的分类问题的Python编程操作。【实验过程】(必要的实验步骤、绘图、代码注释、数据分析)实验步骤1、读入数据2、数据预处理3、数据分析方法介绍4、编程实现数据分析方法,含代码注释5、重要结果的图表绘制6、原创 2022-04-25 00:15:00 · 539 阅读 · 1 评论 -
Python 分类问题研究-Fisher线性判别
【实验目的】1.掌握常见机器学习分类模型思想、算法,包括Fisher线性判别、KNN、朴素贝叶斯、Logistic回归、决策树等;2.掌握Python编程实现分类问题,模型评价指标、计时功能、保存模型。【实验要求】理解Python在分类问题中的评价指标等细节操作;掌握本章讲授的分类问题的Python编程操作。【实验过程】(必要的实验步骤、绘图、代码注释、数据分析)实验步骤1、读入数据2、数据预处理3、数据分析方法介绍4、编程实现数据分析方法,含代码注释5、重要结果的图表绘制6、原创 2022-04-24 19:54:43 · 1316 阅读 · 0 评论 -
图像分类模型
1. 图像分类模型1.1 LeNet模型该模型诞生于1994年,是最早的卷积神经网络之一,是深度学习领域的奠基之作。其网络共涉及60k参数。该模型的基本结构为:conv1(6)>pool1>conv2(16)>pool2>fc3(120)>fc4(84)>fc5(10)>softmax,括号中的数字代表通道数。其中,卷积(conv)层用于提取空间特征,池化(pool)层进行映射到空间均值下采样(subsample)全连接层(fullconnection)将原创 2022-04-04 19:52:30 · 4843 阅读 · 0 评论 -
卷积神经网络的应用
卷积神经网络的应用1. 目标检测2. 图像分类3. 图像语义分割4. 人脸识别参考文献1. 目标检测目标检测是计算机视觉领域中一个重要的课题,主要任务是从图像中定位感兴趣的目标,需要准确地判断每个目标的具体类别,并给出每个目标的边界框。近年来 ,目标检测在智能视频监控、车辆自动驾驶 、机器人环境感知等领域都有着广泛的应用。然而,由于视角、遮挡、姿态等因素引起目标发生形变,导致目标检测成一个具有挑战性的任务[9]。目标检测任务可分为两个部分:目标分类和目标定位. 目标分类负责判断输入图像中的目标的类别;目原创 2022-04-07 13:44:51 · 3034 阅读 · 0 评论 -
卷积神经网络的概述
有监督学习之多元线性回归【实验目的】掌握Python编程实现多元线性回归,因变量与单个自变量散点图、拟合效果图制作,模型评价指标、计时功能、保存模型。【实验要求】理解Python在回归分析中的评价指标等细节操作;掌握本章讲授的多元线性回归的Python编程操作。【实验过程】(必要的实验步骤、绘图、代码注释、数据分析)实验步骤1、读入数据2、数据预处理3、数据分析方法介绍4、编程实现数据分析方法,含代码注释5、重要结果的图表绘制6、必要的结果解释【实验题目】1. 利用多元原创 2022-04-06 01:00:00 · 4846 阅读 · 0 评论 -
编译Darknet----debug历程
**编译Darknet**git clone https://github.com/pjreddie/darknet修改Makefile文件GPU=1CUDNN=1OPENCV=1OPENMP=0DEBUG=0cd darknetmake安装CUDA:wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-ubuntu1804.pinsudo mv cuda-ubu原创 2021-08-07 21:02:05 · 547 阅读 · 1 评论 -
目标检测评价指标
目标检测评价指标平均精度均值(Mean Average Precision,mAP)mAP即是把每个类别的AP都单独拿出来,然后计算所有类别AP的平均值,代表着对检测到的目标平均精度的一个综合度量。正例(Postive):代表我们目标的类别负例(negtive):代表我们不关心的类别真正TP(True Postive): 实际是正例,预测也是正例。假正FP(False Positive):实际为负例,预测为正例。假负FN(Flase Negtive):实际为正例,预测为负例原创 2022-03-28 01:30:00 · 1076 阅读 · 0 评论 -
单阶段物体检测
翻译链接:https://machinethink.net/blog/object-detection/对象检测是一种计算机视觉技术,用于在图像中查找感兴趣的对象:这比分类更高级,分类仅告诉您图像的“主要主题”是什么,而对象检测可以找到多个对象,对其进行分类,然后定位它们在图像中的位置。一个对象检测模型可以预测边界框,边界框用于找到的每个对象,以及每个对象的分类概率。对象检测通常会预测太多的边界框。每个框还具有一个置信度分数,该置信度分数表明模型认为该框确实包含一个对象的可能性。作为后处理步骤,我们翻译 2021-05-04 09:27:50 · 1224 阅读 · 0 评论 -
了解深度学习基础知识
神经网络常见术语与名词训练、Epoch、Batch Size、Step、评估深度学习的分类有监督学习、无监督学习、评估指标参考链接1参考链接2YoLo算法学习fork 一个基于YoloV3目标检测模型目标检测模型优化算法1.数据增强图像混合(Image Mixup)AutoAugment图像镶嵌(Image Mosaic)2.数据采样OHEMClass aware Sampling3.网络结构更优的骨干网络(backbone)可变形卷积(Deformable Con原创 2022-03-28 01:00:00 · 645 阅读 · 0 评论 -
Python 决策树分类算法分析与实现
决策树分类算法分析与实现决策树分类算法是最为常见的一种分类算法,通过属性划分来建立一棵决策树,测试对象通过在树上由顶向下搜索确定所属的分类。决策树的构建主要需要解决两个问题:(1)树的每次成长,选择哪个属性进行划分,可以参考下面几个标准:A Gini系数多分支Gini系数的组合方法B 基于熵的信息增益或信息增益率熵的定义信息增益的定义信息增益率的定义C 误分率(2)什么时候在一个节点上停止生长(继续划分),可考虑包含下面两个原则:A 当节点分配的所有记录都属于同一类时停止原创 2021-10-18 17:10:20 · 3425 阅读 · 0 评论 -
Python 决策树计算熵、gini系数、误分率
决策树是一种典型的分类算法,通过属性水平的不断分支来构造一棵层次树,决策树算法的一个关键是判断优先选择哪一个指标进行树的分支,可以使用一些指标的增益来进行判断,下面列出了常用的三种指标:(1)熵p( j | t) 是类j在节点t的相对频率(2)Gini系数(3)误分率根据上面三种指数的定义,在DecisionTree.py中补充相关代码,分别使用三种指标对给出的测试数据计算其分类结果,请调试通过并运行获取结果。(1)按照熵指数的定义,实现熵的计算函数。(2)按照Gini系数的定义,实现其原创 2021-11-29 17:05:17 · 4462 阅读 · 0 评论 -
Python 支持向量机分类算法实现
支持向量机也是常用的一类分类模型,它通过在两类数据之间寻找一个超平面来分隔不同类的数据。支持向量机最后对应一个二次规划模型(其最优化问题的对偶问题),可以使用通常二次规划求解方法求解,也可以使用Platt在1996年提出的SMO(Sequential Minimal Optimization),它通过一种启发式的误差修正方法求解。原创 2021-12-23 15:51:11 · 3361 阅读 · 2 评论 -
Python 聚类分析算法实现-K-Means
K-Means是最常见的分析算法之一,其基本步骤是:(1)选取K个点作为初始质心重复下列步骤,直到每个质心不再变化(2)根据质心将每个数据点分别安排到其距离最近的质心代表的簇(3)利用每个簇内被安排的所有数据点重新计算该簇的质心# K-means Algorithm by zhang Oct 30, 2019import numpy as npclass kmeans: """ The k-Means algorithm""" def __init__(self,k,data):原创 2021-11-29 17:16:09 · 499 阅读 · 0 评论 -
Python 关联分析算法实现-FPGrowth
FP-Growth是最常见的关联分析算法之一,其基本步骤是:(1)对事务数据采用一棵FP树进行压缩存储(2)FP树被构造出来,再使用一种递归的分而治之的方法来挖掘频繁项集原创 2021-12-23 15:53:50 · 1997 阅读 · 0 评论 -
Python 关联分析算法实现-Apriori
Apriori是最常见的关联分析算法之一,其基本步骤是:(1)令 k=1,生成所有长度为1的频繁集重复下列步骤,直到不能确定新的频繁集(2)根据长度为k的频繁集生成长度为k+1的频繁集(3)修剪掉存在k长度的子集不是频繁集的候选集(4)扫描所有事务计算每个候选集的支持度(5)排除不频繁的候选集,仅保留频繁的import argparsefrom itertools import chain, combinationsclass Rule(object): '''ASSOCIATI原创 2021-11-29 17:12:16 · 1464 阅读 · 0 评论 -
Python BP反向传播神经网络
Code:import numpy as np"""Sigmod激活函数"""def sigmod(x): return 1.0/(1.0 + np.exp(-x))def BackpropCE(W1,W2,X,D): alpha = 0.9 #学习率 N=4 #4层网络 for k in range(N): x = X[k,:].T #对数据每行转置 d = D[k] #每行对应结果(标签) ...原创 2021-11-01 09:27:48 · 463 阅读 · 0 评论 -
Python K近邻分析与应用
K近邻分析与应用K近邻分类方法的基本思路是:不对预先的训练数据集进行任何处理,当测试一个新来的数据属于哪个类时,计算下它与训练集中所有实例的距离,从中选出K个距离最小(近)的实例,统计下这K个实例属于哪个类的最多,就将新来的数据归为哪一类。谚语:“走路像鸭子,叫起来像鸭子,看起来像鸭子,那它很可能就是鸭子”。举例来说,如果我们有下面的训练集,其中每个实例有5个属性,最后一列标出了它们属于哪一类?编号 属性1 属性2 属性3 属性4 属性5 所属类1 1.1 1.2 1.3 1.4 1.5 A2原创 2021-10-11 09:24:01 · 280 阅读 · 1 评论