算法
Modozil
这个作者很懒,什么都没留下…
展开
-
从一个实例中学习DTW算法
声明:本文为转载,出处:http://www.cnblogs.com/tornadomeet DTW为(Dynamic Time Warping,动态时间归准)的简称。应用很广,主要是在模板匹配中,比如说用在孤立词语音识别,计算机视觉中的行为识别,信息检索等中。可能大家学过这些类似的课程都看到过这个算法,公式也有几个,但是很抽象,当时看懂了但不久就会忘记,因为没有具体的实例来加深印象转载 2017-02-02 16:47:42 · 778 阅读 · 0 评论 -
阿里编程题
题目:小明向他的女朋友仙仙求婚,在求婚戒指上刻了一个大大的爱心。仙仙看到爱心想考验一下小明,出了一道题。方程(x2+y2−1)2−x2y2=0,这个点在这个爱心里面的概率是多少,精确到0.1(小数点后保留一位小数,比如0.1, 0.2等)#include <iostream>#include <math.h>using namespace std;/*生成标准正态分布随机数*/double ga转载 2017-04-08 15:30:05 · 666 阅读 · 0 评论 -
C/C++生成高斯分布随机数
产生正态分布或高斯分布的三种方法: 1. 运用中心极限定理(大数定理) 1 #include 2 #include 3 4 #define NSUM 25 5 6 double gaussrand() 7 { 8 double x = 0; 9 int i;10 for(i = 0; i < NSUM; i++)11 {12转载 2017-04-08 15:32:04 · 10926 阅读 · 0 评论 -
向量的表示、投影、变换、协方差矩阵及PCA
引言当面对的数据被抽象为一组向量,那么有必要研究一些向量的数学性质。而这些数学性质将成为PCA的理论基础。理论描述向量运算即:内积。首先,定义两个维数相同的向量的内积为:(a1,a2,⋯,an)T⋅(b1,b2,⋯,bn)T=a1b1+a2b2+⋯+anbn内积运算将两个向量映射为一个实数。其计算方式非常容易理解,但是其意义并不明显。所以,我们分析内积的几何意义。假设A和B是两个n维向量,我们知道n转载 2017-06-21 16:05:29 · 5541 阅读 · 1 评论 -
PCA原理
PCA方法是数据降维的重要手段之一,方法比较简单,就是将样本数据求一个维度的协方差矩阵,然后求解这个协方差矩阵的特征值和对应的特征向量,将这些特征向量按照对应的特征值从大到小排列,组成新的矩阵,被称为特征向量矩阵,也可以称为投影矩阵,然后用改投影矩阵将样本数据转换。取前K维数据即可,实现对数据的降维。 假设样本数据有r维(组成一个r维向量),共有n个样本。组成r*n矩阵A,矩阵每一转载 2017-08-20 18:08:51 · 1073 阅读 · 0 评论 -
矩阵求导
本文转载于http://xuehy.github.io/2014/04/18/2014-04-18-matrixcalc/Table of Contents1. 布局(Layout)2. 基本的求导规则(定义)3. 维度分析4. 标量对矩阵求导(微分形式)—矩阵求导,想必许多领域能见到。统计学,经济学,优化,机器学习等等,在对目标问题建立数学模型之后,问转载 2017-08-13 21:04:05 · 1323 阅读 · 0 评论 -
谱聚类原理
本文转载于http://blog.csdn.net/betarun/article/details/51154003这方法是昨天听同学提起的,大致翻看了几篇博客跟论文,这里写下自己的理解从样本相似性到图根据我们一般的理解,聚类是将相似的样本归为一类,或者说使得同类样本相似度尽量高,异类样本相似性尽量低。无论如何,我们需要一个方式度量样本间的相似性。常用的方式就是引入各种度量,如欧氏距离转载 2017-08-21 21:15:59 · 1080 阅读 · 0 评论 -
谱聚类原理总结-by刘建平大神
本文转载于http://www.cnblogs.com/pinard/p/6221564.html 谱聚类(spectral clustering)是广泛使用的聚类算法,比起传统的K-Means算法,谱聚类对数据分布的适应性更强,聚类效果也很优秀,同时聚类的计算量也小很多,更加难能可贵的是实现起来也不复杂。在处理实际的聚类问题时,个人认为谱聚类是应该首先考虑的几种算法之一。下面我们就转载 2017-08-21 21:40:28 · 3158 阅读 · 0 评论 -
从协方差矩阵角度看PCA
本文转载于http://pinkyjie.com/2011/02/24/covariance-pca/自从上次谈了协方差矩阵之后,感觉写这种科普性文章还不错,那我就再谈一把协方差矩阵吧。上次那篇文章在理论层次介绍了下协方差矩阵,没准很多人觉得这东西用处不大,其实协方差矩阵在好多学科里都有很重要的作用,比如多维的正态分布,再比如今天我们今天的主角——主成分分析(Principal Compone转载 2017-08-22 15:59:57 · 1013 阅读 · 0 评论