![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 69
TheMatrixs
士不可以不弘毅,任重而道远
展开
-
python使用线性回归实现房价预测
一、单变量房价预测采用一元线性回归实现单变量房价预测。通过房屋面积与房价建立线性关系,通过梯度下降进行训练,拟合权重和偏置参数,使用训练到的参数进行房价预测。1、房屋面积与房价数据 32.50234527 31.70700585 53.42680403 68.77759598 61.53035803 62.5623823 47.47563963原创 2021-07-23 22:31:19 · 4157 阅读 · 0 评论 -
机器学习入门04-线性回归原理与java实现多元线性回归
线性回归原理:线性回归公式:y = b + w*x,w表示权重b表示偏置。在实际实现中可以将公式写作:y = w[0] * x[0] + w[1] * x[1],x[0]=1,这样就可以很方便的进行参数求解,同样稍作修改将公式写成:y = w[0] * x[0] + w[1] * x[1] + ... + w[n]*x[n],就变成了多元回归。采用梯度下降和多次迭代不断优化参数,梯度下降计算参数的梯度,计算流程分为以下几步:1、根据当前参数和训练计算数据预测值preY =...原创 2021-06-27 16:38:00 · 1560 阅读 · 1 评论 -
机器学习入门02-朴素贝叶斯原理和java实现
朴素贝叶斯是一种基于概率统计的机器学习方法,其原理采用计算样本数据中先验数据与标签数据出现的概率,以先验数据对应最大出现概率的标签作为预测结果。朴素贝叶斯公式一般记为:P(A|B)=P(A)*P(B|A)/P(B),即当我们要预测先验条件B出现时A出现的概率时,可以通过条件A出现概率与条件A出现时条件B出现概率的乘积除以条件B的概率。在计算中P(A)*P(B|A)等效于计算条件A与条件B同时出现概率,即P(A∩B)。也就是说,朴素贝叶斯的训练过程主要就是统计条件概率P(B)和联合概率P(A∩B),由原创 2021-06-17 11:54:33 · 896 阅读 · 2 评论 -
机器学习入门01-K临近(KNN)的java实现
K临近(KNN)算法是一种原理比较简单的机器学习算法,其原理是将待分类数据与所有样本数据计算距离,根据距离由近到远选取K个临近点,根据临近点占比和距离权重对待分类点进行分类。由于需要做距离计算,样本数据每个特征必须为数值型数据。加入我们需要对不同鸟进行分类,从翼展、身高、体重三个方面对老鹰、鸽子、麻雀三种鸟进行分类计算。下面给出一组假设的样本数据: 分类 翼展 体重 身高 老鹰 2米原创 2021-05-17 17:47:54 · 354 阅读 · 0 评论 -
应用机器学习进行无人机航拍影像质量评估
近年来,随着无人机在测绘地理信息领域应用,大量测绘、遥感等任务都在使用无人机开展。无人机主要以空中对地拍摄方式采集地面影像,之后再使用相应软件处理成正射影像、三维模型等成果,之后再进行矢量化采集、分析统计等。然而无人机搭载的可见光相机容易受到环境光照、空气质量等因素影响,往往不能获取到足够质量的影像,对后期数据处理也有很大影响。通常情况下,当我们想要通过相机拍摄到优质画面,至少需要设置合适的快门速度和ISO或者使用相机软件自动计算参数。但无人机由于自身原因,一般需要使用固定的快门速度,比如固定翼无人机为原创 2021-05-16 16:35:51 · 1456 阅读 · 6 评论 -
机器学习KNN算法原理和应用分析
KNN原理解析K邻近算法(KNN),是一种非常简单有效的机器学习算法。KNN是通过计算不同特征值距离作为分类依据,即计算一个待分类对象不同特征值与样本库中每一个样本上对应特征值的差值,将每个维度差值求和也就得到了该组数据与样本之间的距离,一般使用欧式距离进行计算,通过对所有样本求距离,最终得到离待分类对象最近的K个样本,将这K个点作为分类依据。KNN算法是直接对每个样本进行距离计算,因此要求每个特征必须为数值型数据。由于没有训练过程,KNN也是一种弱训练的机器学习算法,只要我们准备足够多的的样本就可原创 2021-05-09 21:06:14 · 2031 阅读 · 0 评论