- 博客(9)
- 收藏
- 关注
RSS订阅原创 人脸识别算法的学习笔记
这个算法基于PCA原理，就是压缩矩阵，保留主要特征信息，从而减少所需空间。这个算法PCA还需要降维（暂时不懂），矩阵变换，高维到低维特征脸算法会寻找人脸图像分布的基本元素，采集人脸协方差矩阵（？生成子脸空间就得要进行空间构造了。寻找人脸共性，寻找个体于共性的差异1.获取人脸图像数据，将每一个人的人脸图像矩阵按行串成一维，每个人脸就是一个向量。2.获取M个人脸向量，在对应维度累加求平均值3.每个人的人脸减去平均值4计算协方差矩阵5.运用特征脸算法记住人脸图像（很抽象...）
2023-12-19 17:04:44
26
1
原创 主成分分析（PCA）的学习笔记和实现
PCA算法的核心在于压缩，并且使得原有基本特征保持不变，甚至增长，从而使性能大大提高，提高模型泛化能力也提高模型鲁棒性。通俗的讲就是把高维特征向量映射到低维空间上，换句话说就是减少维度，压缩维度。3.总结就是为了在减少空间利用的同时，还能保持原有数据的完整性能，压缩后的数据对分类、聚类尽量不产生影响，甚至有所提升。2）计算向量X的协方差矩阵，自由度可以选择0或者1。3）计算协方差矩阵的特征值和特征向量。4）选取最大的k个特征值及其特征向量。高维空间到低维空间的线性映射。1）对向量X进行去中心化。
2023-12-19 17:00:53
33
1
原创 支持向量机的实现
我们首先需要找到正例和负例样本点，这些样本点距离这条超平面是最小的，因此可以在这几个样本点上做出与超平面方程平行的平行线，那么r可以表示为距离最近的样本点到这条支持向量的距离，即点到直线的距离，公式如图。||w||为欧氏距离平方开根号。从预测的结果看，俩个高维向量的累积是成对存在的，没有单独于式子中，那么我们可以将这对高维向量用其他式子替代，且这个式子相对好算，那么我们可以打成目的！如上图，将x替换为更高维的向量，带入超平面方程，利用拉格朗日乘子法，对w和b求偏导，使得为0，带入原式，可得如上方程。
2023-12-03 22:25:48
34
1
原创 逻辑斯蒂回归学习笔记
逻辑斯特和逻辑挂不上钩的，是一种对于分类问题的机器学习算法。根据周志华老师所说，这俩个参数得计算是机器学习得入门，如果不懂得计算，那机器学习就很困难了。单位位阶函数不连续，故不可以直接用作g-（.），如果我们希望它单调可微，可以产生这么一个替代函数。同样，我们可以利用最小二乘法对w和b进行估计，把w和b统一为w^ = (w;黑色那条线性回归和对数线性回归得差别有图可以看出，对数线性回归变化小。可直接应用现有数值优化算法（如牛顿法）求取最优解，具有快速、高效的特点。分别对w和b进行求导，得到最优解得闭式，
2023-11-26 17:41:29
33
1
原创 贝叶斯算法的学习
具体地，我们可以首先根据先验概率（即在没有任何证据的情况下的概率估计）计算P(A)，然后根据观察到的证据B，更新对于事件A发生的概率估计，得到P(A|B)。定义为： 给定数据样本x时cj成立的概率P(cj | x )被称为后验概率（posterior probability），因为它反映了在看到数据样本 x后 cj 成立的置信度。其中，P(A|B)表示在已知B发生的前提下，A发生的概率；（2）根据自己购买西瓜的经验，好瓜的概率是p(好瓜)=0.6，坏瓜概率是p(坏瓜)=0.4。P(cj)常被称为cj的。
2023-11-21 15:32:29
18
原创 决策树的学习和笔记
预剪枝：在构建决策树的过程中，每次划分前都先计算划分后验证集（或测试集）上的分类准确率，如果不足以达到预定的准确率阈值或当划分后验证集上的分类准确率下降时，就停止划分，将当前节点设为叶节点。如果剪枝后的准确率比不剪枝时高，那么我们就剪去该叶节点，将其转换为一个新的叶节点，使用该叶节点所代表的类别进行预测。具体方法取决于特征的类型。递归地重复步骤2和3：对于每个子集，递归地重复步骤2和3，选择最佳的划分特征，并将子集继续划分。在每个节点上，我们计算每个候选特征的基尼指数，选择基尼指数最小的特征作为最优特征。
2023-11-05 21:27:02
54
原创 绘制ROC曲线和PR曲线
在机器学习中，绘制ROC曲线和PR曲线是十分重要的，如何绘制这些曲线，我们先从模型评估入手通过描述俩个指标之间的关系来展示分类器性能7. PR曲线（Precision-Recall Curve）:在各种阈值设置下，精确率（）和召回率（）的曲线，也通过描述俩个指标之间的关系来展示分类器性能8.AUC(Area Under the ROC Curve)：ROC曲线下的面积，也是描述性能的指标9.AP（Average Precision）:PR曲线下的面积，用于评估分类器的整体精确率。
2023-10-15 14:52:06
83
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人