m0_74397934的博客

原创 机器学习-PCA降维(主成分分析)

主成分分析（Principal Component Analysis，简称PCA）是一种常用的数据降维方法，旨在通过将高维数据投影到低维空间中的主要方向来捕获数据的本质结构。主成分分析可用于降低数据的维度，压缩图像、音频和视频数据，去除冗余信息等。仅仅需要以方差衡量信息量，不受数据集以外的因素影响。各主成分之间正交，可消除原始数据成分间的相互影响的因素。计算方法简单，主要运算是特征值分解，易于实现。

原创 机器学习-支持向量机 SVM

支持向量机是有监督学习中最有影响力的机器学习算法之一。SVM 是一种非常优雅的算法，有着非常完善的数学理论基础，其预测效果，在众多机器学习模型中“出类拔萃”。在深度学习没有普及之前，“支持向量机”可以称的上是传统机器学习中的“霸主”。支持向量机是一种二分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。支持向量机的学习算法是求解凸二次规划的最优化算法。

原创 机器学习--逻辑回归

逻辑回归是用来进行分类的，下面我将给出一个简单的例子来解释。我们给出一个人的 [身高，体重] 这两个指标，然后判断这个人是属于”胖“还是”瘦“这一类。对于这个问题，我们可以先测量n个人的身高、体重以及对应的指标”胖“,"瘦”，把胖和瘦分别用0和1来表示，把这n组数据输入模型进行训练。训练之后再把待分类的一个人的身高、体重输入模型中，看这个人是属于“胖”还是“瘦”如果数据是有两个指标，可以用平面的点来表示数据，其中一个指标为x轴，另一个为y轴；如果数据有三个指标，可以用空间中的点表示数据；

原创 机器学习--朴素贝叶斯算法

朴素贝叶斯作为一种基于概率的分类方法，其应用是十分广泛的，并且大多数情况下分类预测效果较好，训练速度较快。针对贝叶斯决策问题中P(x|c)不易求解的问题，该方法采用了属性条件独立性假设，但是现实情况下这种假设难以成立，所以针对该问题后面又有了半朴素贝叶斯等方法的出现。

原创 机器学习的决策树算法

决策树是一个预测模型，它代表的是对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象，而每个分叉路径则代表某个可能的属性值，而每个叶节点则对应从根节点到该叶节点所经历的路径所表示的对象的值。从数据产生决策树的机器学习技术叫做决策树学习，通俗说就是决策树。决策树是一树状结构，它的每一个叶节点对应着一个分类，非叶节点对应着在某个属性上的划分，根据样本在该属性上的不同取值将其划分成若干个子集。对于非纯的叶节点，多数类的标号给出到达这个节点的样本所属的类。

原创 分类模型评估指标及ROC曲线和PR曲线

召回率（Recall）是指分类器正确预测为正例的样本数量（True Positives，TP）与所有实际正例的样本数量（True Positives + False Negatives，TP + FN）的比值。我们设计的模型是个无脑模型，即把所有的样本都预测为正样本，那么模型的Accuracy为99.9%，看评价指标，模型的效果很好，但实际上模型没有任何预测能力。分类模型是机器学习的一种类型，它的任务是通过学习样本的特征来预测样本的类别。等，不同评估指标有对应的不同的计算方法，同时也对应着不同的使用场景。

原创 机器学习的KNN算法学习

KNN（K-Nearest Neighbors）是一种基于实例的非参数机器学习算法，主要用于分类和回归问题。分类决策当需要对新样本进行分类时，KNN算法会找出训练集中与新样本特征最接近的K个邻居（K个最相似的样本）。新样本将被赋予这K个邻居中最多数样本所在的类别。平均值（Regression）对于回归任务，新样本的预测值可能是这K个邻居的输出值的平均（或其他加权平均方式）。关键参数K值选择。

原创 声学模型 WaveNet 的学习

Wavenet模型是一种序列生成模型，可以用于语音生成建模。在语音合成的声学模型建模中，Wavenet可以直接学习到采样值序列的映射，因此具有很好的合成效果。目前wavenet在语音合成声学模型建模，vocoder方面都有应用，在语音合成领域有很大的潜力。WaveNet取代了对音频信号使用傅里叶变换的传统方法，它通过令神经网络找出要执行的转换来实现。因此，转换可以反向传播，原始音频数据可以通过一些技术来处理，例如膨胀卷积、8位量化等。

原创 梅尔频率倒谱系数 (MFCC)应用于语音识别

任何自动语音识别系统的第一步都是提取特征，即识别音频信号中有助于识别语言内容的成分，并丢弃所有其他携带背景噪声、情感等信息的内容。理解语音的要点是，人类发出的声音是通过声道的形状（包括舌头、牙齿等）过滤的。这种形状决定了发出的声音。如果我们能够准确地确定形状，这应该可以准确地表示所产生的。声道的形状体现在短时功率谱的包络中，而 MFCC 的工作就是准确地表示该包络。梅尔频率倒谱系数 (MFCC) 是广泛应用于自动语音和说话人识别中的一项功能。

原创 Anaconda的安装 (作业)

原创 装双系统时，Ubuntu18.04装上后没显示wifi和蓝牙图标的解决方法（已解决）

进行编译，如果报错，就自行查找（我在编译时就有很多报错，只能一个个解决doge）找到内核版本为5.19.9 的链接(找较高版本的linux内核)执行后会在 /lib/modules/ 下发现5.19.9文件夹。(gedit 打开的.config用ctrl+f键查询)重启后，你会进行的发现你的wifi和蓝牙标志出现了！你发现你的linux-5.19.9文件夹里出现他们。重启后再次查看内核号：uname -r。大部分应该5.4的内核版本。说明你已经编译成功啦！1.查看当前系统内核。(1)：更改内核型号。