![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
笔记
文章平均质量分 69
孤鸿末子
这个作者很懒,什么都没留下…
展开
-
几何变换
1 图像缩放缩放是对图像的大小进行调整,即使图像放大或缩小。APIcv2.resize(src,dsize,fx=0,fy=0,interpolation=cv2.INTER_LINEAR)参数:src : 输入图像dsize: 绝对尺寸,直接指定调整后图像的大小fx,fy: 相对尺寸,将dsize设置为None,然后将fx和fy设置为比例因子即可interpolation:插值方法,示例import cv2 as cv# 1. 读取图片img1 = cv.i原创 2021-09-05 12:24:05 · 142 阅读 · 0 评论 -
多态
面向对象三大特性封装 根据 职责 将 属性 和 方法 封装 到一个抽象的 类 中定义类的准则继承 实现代码的重用,相同的代码不需要重复的编写设计类的技巧子类针对自己特有的需求,编写特定的代码多态 不同的 子类对象 调用相同的 父类方法,产生不同的执行结果多态 可以 增加代码的灵活度以 继承 和 重写父类方法 为前提是调用方法的技巧,不会影响到类的内部设计多态案例演练需求在 Dog 类中封装方法 game普通狗只是简单的玩耍定义 XiaoTian原创 2021-08-30 22:12:24 · 67 阅读 · 0 评论 -
opencv基本操作
一、opencv简介1 图像的起源1.1 图像是什么图像是人类视觉的基础,是自然景物的客观反映,是人类认识世界和人类本身的重要源泉。“图”是物体反射或透射光的分布,“像“是人的视觉系统所接受的图在人脑中所形版的印象或认识,照片、绘画、剪贴画、地图、书法作品、手写汉学、传真、卫星云图、影视画面、X光片、脑电图、心电图等都是图像。—姚敏. 数字图像处理:机械工业出版社,2014年。1.2 模拟图像和数字图像图像起源于1826年前后法国科学家Joseph Nicéphore Niépce发明的第一原创 2021-09-04 16:27:45 · 1794 阅读 · 0 评论 -
非监督学习之k-means
K-means通常被称为劳埃德算法,这在数据聚类中是最经典的,也是相对容易理解的模型。算法执行的过程分为4个阶段。首先,随机设K个特征空间内的点作为初始的聚类中心。然后,对于根据每个数据的特征向量,从K个聚类中心中寻找距离最近的一个,并且把该数据标记为这个聚类中心。接着,在所有的数据都被标记过聚类中心之后,根据这些数据新分配的类簇,通过取分配给每个先前质心的所有样本的平均值来创建新的质心重,新对K个聚类中心做计算。最后,计算旧和新质心之间的差异,如果所有的数据点从属的聚类中心与上一次的分配的类簇没原创 2021-09-04 12:12:32 · 140 阅读 · 0 评论 -
回归算法之岭回归
具有L2正则化的线性最小二乘法。岭回归是一种专用于共线性数据分析的有偏估计回归方法,实质上是一种改良的最小二乘估计法,通过放弃最小二乘法的无偏性,以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法,对病态数据的拟合要强于最小二乘法。当数据集中存在共线性的时候,岭回归就会有用。sklearn.linear_model.Ridgeclass sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True, normalize=False原创 2021-09-04 12:06:41 · 1150 阅读 · 0 评论 -
回归算法之线性回归
线性回归的定义是:目标值预期是输入变量的线性组合。线性模型形式简单、易于建模,但却蕴含着机器学习中一些重要的基本思想。线性回归,是利用数理统计中回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法,运用十分广泛。优点:结果易于理解,计算不复杂缺点:对非线性的数据拟合不好适用数据类型:数值型和标称型对于单变量线性回归,例如:前面房价例子中房子的大小预测房子的价格。f(x)=w1∗x+w0f(x) = w_1*x+w_0f(x)=w1∗x+w0,这样通过主要参数w1w_1w1原创 2021-09-04 12:00:35 · 1155 阅读 · 0 评论 -
回归算法
01、线性回归02、岭回归原创 2021-09-04 10:14:56 · 88 阅读 · 0 评论 -
随机森林
在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。利用相同的训练数搭建多个独立的分类模型,然后通过投票的方式,以少数服从多数的原则作出最终的分类决策。例如, 如果你训练了5个树, 其中有4个树的结果是True, 1个数的结果是False, 那么最终结果会是True.在前面的决策当中我们提到,一个标准的决策树会根据每维特征对预测结果的影响程度进行排序,进而决定不同的特征从上至下构建分裂节点的顺序,如此以来,所有在随机森林中的决策树都会受这一策略影响而构原创 2021-09-03 16:01:40 · 212 阅读 · 0 评论 -
决策树
决策树内容简介1、认识决策树2、信息论基础-银行贷款分析3、决策树的生成1、认识决策树决策树思想的来源非常朴素,程序设计中的条件分支结构就是if-then结构,最早的决策树就是利用这类结构分割数据的一种分类学习方法相亲样例比如:你母亲要给你介绍男朋友,是这么来对话的:女儿:多大年纪了?母亲:26。女儿:长的帅不帅?母亲:挺帅的。女儿:收入高不?母亲:不算很高,中等情况。女儿:是公务员不?母亲:是,在税务局上班呢。女儿:那好,我去见见。2、银行贷款分析你如何去划分是原创 2021-07-23 01:43:15 · 438 阅读 · 1 评论 -
逻辑回归
逻辑回归(Logistic Regression),简称LR。它的特点是能够是我们的特征输入集合转化为0和1这两类的概率。一般来说,回归不用在分类问题上,因为回归是连续型模型,而且受噪声影响比较大。如果非要应用进入,可以使用逻辑回归。了解过线性回归之后再来看逻辑回归可以更好的理解。优点:计算代价不高,易于理解和实现缺点:容易欠拟合,分类精度不高适用数据:数值型和标称型逻辑回归对于回归问题后面会介绍,Logistic回归本质上是线性回归,只是在特征到结果的映射中加入了一层函数映射,即先把特征线性转载 2021-09-03 10:06:39 · 165 阅读 · 0 评论 -
朴素贝叶斯
朴素贝叶斯(Naive Bayes)是一个非常简单,但是实用性很强的分类模型。朴素贝叶斯分类器的构造基础是贝叶斯理论。概率论基础概率定义为一件事情发生的可能性。事情发生的概率可以 通过观测数据中的事件发生次数来计算,事件发生的概率等于改事件发生次数除以所有事件发生的总次数。举一些例子:扔出一个硬币,结果头像朝上某天是晴天某个单词在未知文档中出现我们将事件的概率记作P(X)P\left({X}\right)P(X),那么假设这一事件为X属于样本空间中的一个类别,那么0≤P(X)≤10\le{P原创 2021-09-02 17:02:18 · 115 阅读 · 0 评论 -
k-近邻算法(k-nn)
k-近邻算法采用测量不同特征值之间的距离来进行分类优点:精度高、对异常值不敏感、无数据输入假定缺点:计算复杂度高、空间复杂度高使用数据范围:数值型和标称型一个例子弄懂k-近邻电影可以按照题材分类,每个题材又是如何定义的呢?那么假如两种类型的电影,动作片和爱情片。动作片有哪些公共的特征?那么爱情片又存在哪些明显的差别呢?我们发现动作片中打斗镜头的次数较多,而爱情片中接吻镜头相对更多。当然动作片中也有一些接吻镜头,爱情片中也会有一些打斗镜头。所以不能单纯通过是否存在打斗镜头或者接吻镜头来判断影片的类别翻译 2021-09-02 15:25:35 · 179 阅读 · 0 评论 -
分类算法
1.k-近邻算法2.贝叶斯分类3.决策树与随机森林4.逻辑回归5.支持向量机原创 2021-09-02 14:24:52 · 97 阅读 · 0 评论 -
模型选择与检验
01、模型的选择算法是核心,数据和计算是基础。这句话很好的说明了机器学习中算法的重要性。机器学习的几种分类:监督学习分类 k-近邻算法、决策树、贝叶斯、逻辑回归(LR)、支持向量机(SVM)回归 线性回归、岭回归标注 隐马尔可夫模型(HMM)无监督学习聚类 k-means1.1、如何选择合适的算法模型在解决问题的时候,必须考虑下面两个问题:一、使用机器学习算法的目的,想要算法完成何种任务,比如是预测明天下雨的概率是对投票者按照兴趣分组;二、需要分析或者收集的数据时什么首先原创 2021-09-02 13:53:39 · 1197 阅读 · 0 评论 -
scikit-learn数据集
01、sklearn.datasets(1)datasets.load_*()获取小规模数据集,数据包含在datasets里(2)datasets.fetch_*()获取大规模数据集,需要从网络上下载,函数的第一个参数是data_home,表示数据集下载的目录,默认是 ~/scikit_learn_data/,要修改默认目录,可以修改环境变量SCIKIT_LEARN_DATA(3)datasets.make_*()本地生成数据集load和 fetch函数返回的数据类型是 datasets.ba原创 2021-09-02 13:20:58 · 712 阅读 · 0 评论 -
sklearn数据集与机器学习组成
机器学习组成:模型、策略、优化:《统计机器学习》中指出:机器学习=模型+策略+算法。其实机器学习可以表示为:Learning= Representation+Evalution+Optimization。我们就可以将这样的表示和李航老师的说法对应起来。机器学习主要是由三部分组成,即:表示(模型)、评价(策略)和优化(算法)。表示(或者称为:模型):Representation表示主要做的就是建模,故可以称为模型。模型要完成的主要工作是转换:将实际问题转化成为计算机可以理解的问题,就是我们平时说的建原创 2021-09-02 10:39:00 · 74 阅读 · 0 评论 -
sklearn与特征工程
01、特性工程简介为了提取知识和做出预测,机器学习使用数学模型来拟合数据。这些模型将特征作为输入。特征就是原始数据某个方面的数值表示。在机器学习流程中,特征是数据和模型之间的纽带。特征工程是指从原始数据中提取特征并将其转换为适合机器学习模型的格式。它是机器学习流程中一个极其关键的环节,因为正确的特征可以减轻构建模型的难度,从而使机器学习流程输出更高质量的结果。“数据决定了机器学习的上限,而算法只是尽可能逼近这个上限”,这句话很好的阐述了数据在机器学习中的重要性。大部分直接拿过来的数据都是特征不明显的、没原创 2021-09-02 09:56:08 · 197 阅读 · 0 评论 -
机器学习
1.sklearn与特征工程2.sklearn数据集与机器学习组成3.sklearn的分类器算法4.回归算法5.非监督学习机器学习算法分类原创 2021-09-01 19:58:13 · 65 阅读 · 0 评论 -
eval函数
eval()函数十分强大 —— 将字符串 当成 有效的表达式 来求值 并 返回计算结果# 基本的数学计算In [1]: eval("1 + 1")Out[1]: 2# 字符串重复In [2]: eval("'*' * 10")Out[2]: '**********'# 将字符串转换成列表In [3]: type(eval("[1, 2, 3, 4, 5]"))Out[3]: list# 将字符串转换成字典In [4]: type(eval("{'name': 'xiaoming'原创 2021-09-01 17:38:51 · 233 阅读 · 0 评论 -
文件
01. 文件的概念1.1 文件的概念和作用计算机的 文件,就是存储在某种 长期储存设备 上的一段 数据长期存储设备包括:硬盘、U 盘、移动硬盘、光盘…文件的作用将数据长期保存下来,在需要的时候使用1.2 文件的存储方式在计算机中,文件是以 二进制 的方式保存在磁盘上的文本文件和二进制文件文本文件可以使用 文本编辑软件 查看本质上还是二进制文件例如:python 的源程序二进制文件保存的内容 不是给人直接阅读的,而是 提供给其他软件使用的例如:图片文件、音翻译 2021-09-01 11:03:30 · 130 阅读 · 0 评论 -
异常
01. 异常的概念程序在运行时,如果 Python 解释器 遇到 到一个错误,会停止程序的执行,并且提示一些错误信息,这就是 异常程序停止执行并且提示错误信息 这个动作,我们通常称之为:抛出(raise)异常程序开发时,很难将 所有的特殊情况 都处理的面面俱到,通过 异常捕获 可以针对突发事件做集中的处理,从而保证程序的 稳定性和健壮性02. 捕获异常2.1 简单的捕获异常语法在程序开发中,如果 对某些代码的执行不能确定是否正确,可以增加 try(尝试) 来 捕获异常捕获异常最简单翻译 2021-08-31 10:27:09 · 58 阅读 · 0 评论 -
单例
01. 单例设计模式设计模式设计模式 是 前人工作的总结和提炼,通常,被人们广泛流传的设计模式都是针对 某一特定问题 的成熟的解决方案使用 设计模式 是为了可重用代码、让代码更容易被他人理解、保证代码可靠性单例设计模式目的 —— 让 类 创建的对象,在系统中 只有 唯一的一个实例每一次执行 类名() 返回的对象,内存地址是相同的单例设计模式的应用场景音乐播放 对象回收站 对象打印机 对象……02. __new__方法使用 类名() 创建对象时,Pytho原创 2021-08-31 10:06:35 · 66 阅读 · 0 评论 -
类属性和类方法
01. 类的结构1.1 术语 —— 实例使用面相对象开发,第 1 步 是设计 类使用 类名() 创建对象,创建对象 的动作有两步:1)在内存中为对象 分配空间2)调用初始化方法 _init_ 为 对象初始化对象创建后,内存 中就有了一个对象的 实实在在 的存在 —— 实例因此,通常也会把:创建出来的 对象 叫做 类 的 实例创建对象的 动作 叫做 实例化对象的属性 叫做 实例属性对象调用的方法 叫做 实例方法在程序执行时:对象各自拥有自己的 实例属原创 2021-08-31 09:52:30 · 310 阅读 · 0 评论 -
继承
面向对象三大特性封装 根据 职责 将 属性 和 方法 封装 到一个抽象的 类 中继承 实现代码的重用,相同的代码不需要重复的编写多态 不同的对象调用相同的方法,产生不同的执行结果,增加代码的灵活度01. 单继承1.1 继承的概念、语法和特点继承的概念:子类 拥有 父类 的所有 方法 和 属性1) 继承的语法class 类名(父类名): pass子类 继承自 父类,可以直接 享受 父类中已经封装好的方法,不需要再次开发子类 中应该根据 职责,封装 子类特有的 属性和方法翻译 2021-08-30 20:52:58 · 62 阅读 · 0 评论 -
私有属性和私有方法
01. 应用场景及定义方式应用场景在实际开发中,对象 的 某些属性或方法 可能只希望 在对象的内部被使用,而 不希望在外部被访问到私有属性 就是 对象 不希望公开的 属性私有方法 就是 对象 不希望公开的 方法定义方式在 定义属性或方法时,在 属性名或者方法名前 增加 两个下划线,定义的就是 私有 属性或方法class Women: def __init__(self, name): self.name = name # 不要问女生的年龄原创 2021-08-29 15:39:08 · 316 阅读 · 0 评论 -
面向对象封装案例
面向对象封装案例101. 封装封装 是面向对象编程的一大特点面向对象编程的 第一步 —— 将 属性 和 方法 封装 到一个抽象的 类 中外界 使用 类 创建 对象,然后 让对象调用方法对象方法的细节 都被 封装 在 类的内部02. 小明爱跑步需求小明 体重75.0公斤小明每次 跑步 会减肥 0.5公斤小明每次 吃东西 体重增加 1 公斤提示:在 对象的方法内部,是可以 直接访问对象的属性 的!代码实现class Person: """人类""" de翻译 2021-08-29 15:25:00 · 615 阅读 · 0 评论 -
面相对象基础语法
01. dir 内置函数在 Python中 对象几乎是无所不在的,我们之前学习的 变量、数据、函数 都是对象在 Python 中可以使用以下两个方法验证:在 标识符 / 数据 后输入一个.,然后按下 TAB 键,iPython 会提示该对象能够调用的 方法列表使用内置函数 dir 传入 标识符 / 数据,可以查看对象内的 所有属性及方法提示:__方法名__ 格式的方法是Python 提供的 内置方法 / 属性,稍后会给大家介绍一些常用的 内置方法 / 属性序号方法名类型作用翻译 2021-08-29 10:31:01 · 74 阅读 · 0 评论 -
面向对象(OOP)基本概念
面向对象编程 —— Object Oriented Programming简写 OOP面向对象的基本概念我们之前学习的编程方式就是 面向过程 的面相过程 和 面相对象,是两种不同的 编程方式对比 面向过程 的特点,可以更好地了解什么是 面向对象1.1 过程和函数过程 是早期的一个编程概念过程 类似于函数,只能执行,但是没有返回值函数 不仅能执行,还可以返回结果1.2 面相过程 和 面相对象 基本概念1) 面相过程 —— 怎么做?把完成某一个需求的 所有步骤 从头到尾 逐步实现原创 2021-08-29 08:14:01 · 161 阅读 · 0 评论 -
python面向对象
01、面向对象基本概念(oop)02、类和对象03、面向对象基础语法04、面向对象封装案例05、私有属性和私有方法06、继承07、多态08、类属性和类方法09、单例10、异常11、模块和包12、文件13、eval函数...原创 2021-08-29 08:01:51 · 88 阅读 · 0 评论 -
深度学习实战
1、python面向对象2、python高级编程3、数据分析4、机器学习5、深度学习原创 2021-08-29 07:56:46 · 81 阅读 · 0 评论