![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 87
hotkitchen
这个作者很懒,什么都没留下…
展开
-
[机器学习](八)cs229之主成分分析
主成分分析的代码和原理都比较简单,之前也用过很多次,转载的这篇博客的目的是通过实例来学习这个算法,方便之后可以快速上手,有关python的代码,可以见《机器学习实战》这本书。对于PCA原理的理解,可以参考下面的博客:http://www.cnblogs.com/jerrylead/archive/2011/04/18/2020209.html(在用PCA算法时,没有对原始数据进行标转载 2017-04-18 16:32:58 · 1459 阅读 · 0 评论 -
[机器学习](七)cs229之混合高斯模型
这篇讨论使用期望最大化算法(Expectation-Maximization)来进行密度估计(density estimation)。 与k-means一样,给定的训练样本是,我们将隐含类别标签用表示。与k-means的硬指定不同,我们首先认为是满足一定的概率分布的,这里我们认为满足多项式分布,,其中,有k个值{1,…,k}可以选取。而且我们认为在给定后,满足多值高斯分布,即。由此可以得转载 2017-04-14 10:38:55 · 1484 阅读 · 1 评论 -
[opencv]目标追踪之前景建模(高斯混合模型)
这篇博客记录了利用高斯混合模型来进行目标追踪的学习过程。有关高斯混合模型的原理请见 http://blog.csdn.net/smuevian/article/details/70169811一、算法原理及过程这部分内容摘自论文《基于高斯背景模型的运动目标检测与跟踪 》,为简便起见,我直接贴原文的图,方便以后查询:算法的流程图如下:二原创 2017-04-17 22:09:13 · 6466 阅读 · 0 评论 -
[机器学习](四)cs229 朴素贝叶斯分类器
在看了cs229的视频和讲义之后对朴素贝叶斯算法仍然很困惑,在读了一些博客后,对该算法有了较为清晰的认识,下面是一些总结。一、算法流程:参考 http://www.cnblogs.com/leoo2sk/archive/2010/09/17/naive-bayesian-classifier.html1.设为一个待分类项,而每个a为x的一个特征属性。2.有类别集合。 3.计算。转载 2017-03-31 12:24:54 · 879 阅读 · 0 评论 -
[机器学习](五)cs229之支持向量机
1. SVM的原理:在特征空间中寻找间隔最大化的分离超平面的线性分类器。包含三类:a. 线性可分的线性支持向量机: 训练样本线性可分,通过硬间隔最大化,学习线性分类器b. 线性不可分的线性支持向量机:训练样本近似线性可分,引入松弛变量,通过软间隔最大化,学习线性分类器c. 非线性支持向量机:训练样本线性不可分,通过核技巧及软间隔最大化,学习非线性支持向量机公式推导:原创 2017-04-04 21:23:07 · 918 阅读 · 0 评论 -
[机器学习](六)cs229之EM算法
参考blog:http://blog.csdn.net/zouxy09/article/details/8537620/http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006936.htmlhttp://blog.csdn.net/abcjennifer/article/details/8170378原创 2017-04-12 21:11:34 · 695 阅读 · 0 评论 -
[机器学习](九)cs229之独立分量分析
这篇博客记录了学习独立成分分析的过程,方便以后查询。一、引言参考文献《独立成分分析方法综述》(杨竹青等)《独立成分分析基本原理与发展》(卜涛)。独立成分分析最开始是解决盲信号处理的盲源分离问题,其中典型的例子是“鸡尾酒会”例子:假想一下, 在一个房间里的不同位置放着两个麦克风, 同时有两个人说话. 两个麦克风能同时记录下两个时间信号, 仅用这两个记录的信号来估计出原来的两个语音信号,称作鸡原创 2017-04-19 19:49:12 · 1829 阅读 · 0 评论