机器学习
MissCoder
这个作者很懒,什么都没留下…
展开
-
斯坦福机器学习课件NOTE1总结
Part1~3原创 2015-12-28 21:13:19 · 751 阅读 · 0 评论 -
斯坦福机器学习2:监督学习应用
斯坦福机器学习第二讲学习笔记及MATLAB实现版权声明:本文为博主原创文章,未经博主允许不得转载。 第一部分–笔记一:内容提纲 1:线性回归 2:梯度下降 3:正规方程组 二:学习内容 学习第一个监督学习算法,同时也属于线性回归问题范畴,教学引入例子是房价预测问题。本节课程提供了线性回归问题两种求解方法—梯度下降和正规方程组法。原创 2015-12-15 23:54:56 · 1446 阅读 · 0 评论 -
斯坦福机器学习3之Logistic建模
一:模型引入 对于分类问题,最终预测值是离散的,线性回归不能很好地对这类问题进行建模。Logistic模型是对于y∈{0,1}分类问题的可靠模型,其可靠性在GLM理论中得到验证和说明。 二:模型说明 1)该模型不是直接对变量x对应的类别号进行预测,而是对其属于类别1的概率进行预测。显然,如果这个概率大于0.5,我们则可以认为x属于类别1,否则属于类别0。 2)模型参数原创 2015-12-27 23:54:13 · 4318 阅读 · 1 评论 -
斯坦福机器学习3之局部线性回归建模
**【模型引入】**当我们需要对某输入变量x进行预测时,若使用线性回归对问题进行建模,算法流程是这样的:首先:使用最小二乘法或者极大似然法,基于梯度下降或正规方程法求解模型参数theta,确定模型;最后:返回输入变量的预测值y= theta’ * x然而当线性建模并不能很好地描述问题时,我们便不能再使用这种方式来对变量x进行预测了。举个简单例子,对于y=exp(x)的实际问题,若以y=the原创 2015-12-26 14:55:43 · 3050 阅读 · 2 评论 -
常用图像数据库
1,http://www.multitel.be/cantata/这个网址提供了大量的视频和图像的数据库下载索引,并有相应的介绍,强烈推荐!大家慢慢去找寻自己的惊喜吧2,http://www.cvpapers.com/datasets.htmlCVDatasets on the web , 主要好像是直立行人检测....3,http://www.cvc.uab.es转载 2016-03-25 15:43:01 · 4561 阅读 · 0 评论 -
Matlab PCA+SVM人脸识别(二)——GUI界面设计
声明:本文转载自http://blog.csdn.net/light_lj/article/details/26747269上一篇介绍了人脸识别的主要算法,为了便于操作和,使界面更加友善,在之前的基础上做了GUI开发,界面如下:GUI界面的主程序:保存为faceGUI.m文件,若你已经添加过当前文件所在的路径,那么在Matlab的command window里写入fac转载 2016-04-08 10:24:32 · 6747 阅读 · 2 评论 -
Matlab PCA+SVM人脸识别(一)
声明:本文转载自http://blog.csdn.net/light_lj/article/details/26703959概述:编程平台:Matlab;数据: ORL人脸库。pgm格式的图片。40人,每人10幅图,图像大小为112*92像素。图像本身已经经过处理,不需要进行归一化和校准等工作;下载地址第三段的两个都是下载链接数据处理:主成分分析法(PCA)转载 2016-04-08 10:29:26 · 14317 阅读 · 4 评论 -
PCA (主成分分析)详解 (写给初学者) 结合matlab
声明:本文转载自http://my.oschina.net/gujianhan/blog/225241一、简介 PCA(Principal Components Analysis)即主成分分析,是图像处理中经常用到的降维方法,大家知道,我们在处理有关数字图像处理方面的问题时,比如经常用的图像的查询问题,在一个几万或者几百万甚至更大的数据库中查询一幅相近的图像。这时,我转载 2016-04-08 10:38:19 · 9315 阅读 · 1 评论 -
支持向量机通俗导论(理解SVM的三层境界)
声明:本文转载自http://blog.csdn.net/v_july_v/article/details/7624837前言 动笔写这个支持向量机(support vector machine)是费了不少劲和困难的,原因很简单,一者这个东西本身就并不好懂,要深入学习和研究下去需花费不少时间和精力,二者这个东西也不好讲清楚,尽管网上已经有朋友写得不错了(见文末参考链接),但在转载 2016-04-08 10:58:46 · 2131 阅读 · 0 评论