机器学习
文章平均质量分 86
呼啸蓝天
这个作者很懒,什么都没留下…
展开
-
YOLOv3-YOLOv4论文笔记
1.边界框预测 YOLOv3采用3个尺度的特征图(当输入为416x416时)(13x13)、(26x26)、(52x52)进行预测,每个位置称为一个网格点,每个网格点预测三个先验框。所以通过k-means得到9个先验框,划分到3个尺度特征图中,有助于实现小目标的预测。每个先验框有4个位置信息,1个边框置信度和n个类别信息。 先验:基于常识或者群体发生的概率。相对于后验概率,比如一个人有可能是癌症的症状,根据后验概率= 先验概率x实际概率,先验概率由于人群得癌症的人很少所以很小,实际概率可能很大,但最终的原创 2020-09-26 15:21:18 · 240 阅读 · 0 评论 -
机器学习Task3-SVM(支持向量机)
SVM1.名词解释1.1 SVM1.2 支持向量1.3 分离超平面1.4 间隔2.模型2.1 线性可分支持向量机2.2 线性支持向量机2.3 非线性支持向量机3.训练过程4.测试过程5.问题6.参考资料 1.名词解释 1.1 SVM 支持向量机(support vector machines)是一种二类分类模型。基本模型是定义在特征空间上的间隔最大的线性分类器,间隔最大使它有别于感知机。(感知机追求最大程度正确划分,最小化错误,很容易造成过拟合。支持向量机追求大致正确分类的同时,找间隔最大也一定程度上避免原创 2020-08-26 22:27:40 · 282 阅读 · 2 评论 -
机器学习Task2-决策树
1.决策树模型与学习 1.1.决策树模型 分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点和有向边组成。结点有两种类型:内部节点和叶节点。内部结点表示一个特征或属性,叶结点表示一个类。 下图是一个决策树的示意图。图中圆和方框表示内部结点和叶节点。 1.2.决策树与if-then规则 决策树模型可以看作一个if-then规则的集合,由根结点到叶节点的每一条路径构建一条规则;路径上内部结点的特征对应着规则的条件,而叶结点的类对应着规则的结论。 1.3.决策树与条件概率分布 将特征空间划分为互原创 2020-08-22 23:45:51 · 465 阅读 · 0 评论 -
Task1-浅谈线性回归和逻辑回归
1.监督学习和非监督学习 1.1 监督学习 监督学习的训练集带标签,即“正确答案”,监督学习分为两大类,一类产生回归模型,预测连续值输出,如预测房价和股票;另一类产生分类模型,预测离散值输出。常见的算法有今天要谈的线性回归/逻辑回归和后续的SVM等。 1.2 无监督学习 无监督学习指给机器一个不带标签的数据集,让机器自己学习到其中的结构或者信息。比如聚类算法就是典型的无监督学习模型,可以用在新闻聚类和矢量量化(图像压缩)中。 2.线性回归 机器学习的最终目的是学习到一个函数h,这个函数被称为假设函数,学习了原创 2020-08-20 23:45:32 · 210 阅读 · 0 评论