《模式识别与智能计算》
《模式识别与智能计算》-python实现
元气算法
关注公众号:元气算法 获取全部资料
展开
-
《模式识别与智能计算》感知机模型
感知机模型 按照统计学三要素来写的话: 模型:符号函数 策略:损失函数;误点到超平面的距离之和 算法:利用梯度下降算法进行求解 感知机原理: 感知机模型用来线性判别数据集,什么意思呢就是用一超平面来隔断两个不同的类别,超平面在二维的数据集中就是一条直线,在三维的数据集中就是一个平面,假设有n维的数据,那么划分的超平面为(n-1)维度。如下图二维和三维的情况,蓝色部分为超平面: 如何来找这个超平面...原创 2020-01-14 07:43:01 · 523 阅读 · 0 评论 -
《模式识别与智能计算》基于二值数据的贝叶斯分类实现
算法流程 将数据二值化 计算每类数字的先验概率 计算条件概率 计算后验概率 (具体计算过程请见书上77页) 算法实现 贝叶斯算法 def bayeserzhi(x_train,y_train,sample): """ :function 基于二值数据的贝叶斯分类器 :param x_train: 训练集 M*N M为样本个数 N为特征个数 :param y_t...原创 2020-01-13 18:21:10 · 658 阅读 · 0 评论 -
《模式识别与智能计算》二值化的夹角余弦距离法分类
算法流程 将样本库中的每个样本进行二值化,阈值为(最大值-最小值)/2 利用夹角余弦距离法对待测样品进行分类 算法实现 def erzhianglecos(x_train,y_train,sample): """ :function 按照二值夹角余弦距离法计算待测样品与样品库中的相似度 :param x_train: 训练集 M*N M为样本个数 N为特征个数 ...原创 2020-01-13 14:40:02 · 422 阅读 · 0 评论 -
《模式识别与智能计算》夹角余弦距离分类
算法流程 计算待测样品与训练集里每个样品x的角度距离 角度距离最小的就是所属的样品类别 算法实现 计算夹角余弦 def anglecos(x_train,y_train,sample): """ :function 按照夹角余弦距离法计算待测样品与样品库中的相似度 :param x_train: 训练集 M*N M为样本个数 N为特征个数 :param y_t...原创 2020-01-13 14:31:33 · 395 阅读 · 0 评论 -
《模式识别与智能计算》基于类中心的欧式距离分类法
算法流程 选取某一类样本X 计算样本类中心 采用欧式距离测度计算待测样品到类中心的距离 距离最小的就是待测样品的类别 算法实现 计算距离 def euclid(x_train,y_train,sample): """ :function: 基于类中心的模板匹配法 :param x_train:训练集 M*N M为样本个数 N为特征个数 :param y_tra...原创 2020-01-13 11:24:45 · 1315 阅读 · 0 评论 -
《模式识别与智能计算》基于PCA的模板匹配法
算法流程: 选取各类全体样本组成矩阵X,待测样品 计算协方差矩阵S 根据S的特征值选取适合的矩阵C 使用矩阵C降维 采用模板匹配开始多类别分类 算法实现 PCA降维算法 def pca(x,k=0,percent = 0.9): """ :function: 主成分分析法 :param X: 数据X m*n维 n表示特征个数,m表示数据个数 :param K...原创 2020-01-13 11:14:15 · 368 阅读 · 0 评论 -
《模式识别与智能计算》基于类中心的欧式距离法分类
基于类中心的欧式距离法分类 算法过程: 1 选取某一样本 2 计算类中心 3 计算样本与每一类的类中心距离,这里采用欧式距离 4 循环计算待测样品和训练集中各类中心距离找出距离待测样品最近的类别 函数代码 import numpy as np import random def train_test_split(x,y,ratio = 3): """ :function: 对数据集...原创 2020-01-11 08:04:10 · 977 阅读 · 0 评论 -
《模式识别与智能计算》模板匹配法
模板匹配法 模板匹配法说白就是特征一一对应,将数据每个特征相差加起来,然后总的特征值最小的就是相似度最大的 关于这里的数据集用的不是书上配套的,具体请看本专栏第一篇内容 neartemplet方法实现 import numpy as np import random def train_test_split(x,y,ratio = 3): """ :function: 对数据集划分...原创 2020-01-10 23:33:47 · 402 阅读 · 0 评论 -
《模式识别与智能计算》主成分分析法(PCA)
主成分分析 PCA算法介绍在《模式识别与智能计算》33页,亲自行查看哈,讲的还是很不错的 PCA算法过程: 输入:训练样本集 D=x(1),x(2),…,x(m) ,低维空间维数 d′ ; 过程:. 1:对所有样本进行中心化(去均值操作): x(i)j←x(i)j−1m∑mi=1x(i)j ; 2:计算样本的协方差矩阵 XXT ; 3:对协方差矩阵 XXT 做特征值分解 ; 4...原创 2020-01-10 23:22:19 · 589 阅读 · 0 评论 -
《模式识别与智能计算》的数据集
关于这本书的数据集问题 这本书我老师说很好,让我买来看看,结果一学期过去了,emmmm,不是我的问题,是这本书没有数据,没有源代码(强行甩锅),咳咳,跑远了,这本书的数据集我我到网上看到了,它的数据集格式是这样的 allsamples有两个字段,一个为num,一个feature,然后feature是一个25*5维的数据,25表示特征个数,5表示该类字体的个数。由于考虑到可能大多数买了书没有数据集...原创 2020-01-10 23:10:33 · 385 阅读 · 0 评论