water的博客

机器学习算法项目【源码分享】

【代码】python实现keras多模态（语音文字图像）情绪识别【文末源码】

界面中我们的布局是文本框、编辑框和按钮控件。程序的调用使用批处理文件调用以达到显示运行过程的效果。因为如果没有运行过程，难免会导致用户不清楚程序流程而强制运行容易导致卡死的情况。

【代码】YOLO实现缺陷检测（钢材、PCB电路板、水泥等等）【源码分享】

Python深度学习实现DIY专属个人表情包

【代码】python机器学习项目-验证码识别【源码分享】

【代码】python-Vision Transformer实现行为分类和模型类激活图CAM绘制【源码分享】

（1）、环境概述：系统所使用的环境是python3.6.5，opencv3.14.8版本，windows10系统。编程工具使用的是pycharm专业版。所用到的python其他库有os，在这里用来寻找本地图片文件等操作；numpy库用来当对读取到的图片矩阵进行运算处理；pyqt5库用来创建GUI窗口程序等。（2）、功能模块划分：按照第二章所描述的，所划分的模块总的可以分为图像处理模式识别模块和GUI窗口程序两个部分。其中每个部分又可以分为好几个部分，具体已经在第二章有所阐述。

【代码】Python新闻等文本情感分析实战【源码分享】

【代码】GCN图卷积实现人体行为识别-摔倒行为识别【源码分享】

线性回归是假设数据是服从正态分布，通过均方误差来计算损失，其本质是最小二乘法。自变量和因变量满足线性关系假设；误差的方差为常数假设；数据服从正态分布假设；自变量相互独立假设；

定义：假设数据服从伯努利分布，通过极大似然估计来预测数据，然后通过使用梯度下降算法来优化参数的算法。其对于多分类问题上使用交叉熵损失函数，本质是极大似然估计；二分类问题上使用sigmoid函数。

X作为原点到超平面上任意点的连线向量，它的模作为其点到面的距离。1、将求解参数问题转换为求解对偶问题，就是将求解W和B的问题转换为求解核函数和B的问题，这样通过新的目标函数拉格朗日函数可以更快求解；2、其次，原始求解问题复杂度与样本的维度有关，而引入了拉格朗日函数算法复杂度只与样本数量有关，即拉格朗日算子数。γ越小，则考虑全部样本点，难以捕捉超平面的形状；当模型低偏差，高方差的时候，模型过拟合，需要减小C值，因为C值的作用相当于时反正则项。当模型高偏差，低方差时，模型欠拟合，需要增大C值。

因为在训练每个基分类器时，当某个样本易分辨错误，则增大其权重，这样下一次训练时，为了提高模型效果，就会把权重大的样本识别正确，这样即使每个分类器都可能分类错误，但是可以保证权重大的样本分类正确。首先初始化AdaBoost样本权重分布；然后查找到错误率最小的基分类器；接着计算所有基分类器的权重；然后更新每个样本权重；最后将每个基分类器组合构成强分类器。为什么AdaBoost可以快速收敛？简述AdaBoost权重更新方法？但是对于异常样本敏感。

GBDT是以CART为基分类器的加法结构树模型，其每个基分类器的输入由上一个分类器的残差作为输入，通过不断减少残差达到训练的目的。其中残差由损失函数的负梯度在当前模型的值进行估算。对特征进行预排序，并存储为block结构，可以对特征进行重复利用，并利用多线程快速查找，加速查找特征。GBDT相对于逻辑回归具有树模型的优点，也就是抗噪声能力强，对异常点不敏感，鲁棒性强；通过计算当前特征的基尼指数与所有特征的比例作为权重。同时GBDT对于缺失值有很好的处理方法，而LR没有。中间节点保存特征分割的阈值；