- 博客(52)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 协方差矩阵上机实验
先输入矩阵的列数m和行数n，再输入矩阵数据，将矩阵的行数和矩阵数据作为参数传给自定义的函数coMatrix，用来计算协方差矩阵。在coMatrix函数中，先按列计算原始矩阵的均值，得到一个1行m列的矩阵，然后用1初始化一个n行1列的矩阵，用这个n行1列的全1矩阵乘1行m列的均值矩阵，得到求出n行m列的均值矩阵，然后用原始矩阵和均值矩阵作差，并对作差结果进行转置，得到的转置矩阵乘作差后的矩阵，再乘1/（n-1）得到协方差矩阵。本组采用了三种语言及手动推演，对相同的输入矩阵，取得了相同的计算结果。
2022-10-28 15:10:39
714
1
原创 随机森林算法
对于行采样，采用有放回的方式，也就是在采样得到的样本集合中，可能有重复的样本。之后就是对采样之后的数据使用完全分裂的方式建立出决策树，这样决策树的某一个叶子节点要么是无法继续分裂的，要么里面的所有样本的都是指向的同一个分类。其实质是对决策树算法的一种改进，将多个决策树合并在一起，每棵树的建立依赖于一个独立抽取的样品，森林中的每棵树具有相同的分布，分类误差取决于每一棵树的分类能力和它们之间的相关性。（1）介绍随机森林算法的原理和算法流程，随机森林蕴含的思想，随机森林的应用场景，并且通过软件编程来实现此算法；
2022-10-28 15:02:25
1286
原创 随机森林算法
由运行结果可以看出此算法的模型准确率达到了75.6%，并没有出现过拟合的问题，其实模型准确率还有进一步提升的空间，可以增加训练集的数据来提高模型准确率，在实验的过程中，有可能会出现训练集表现好，测试集表现差，这有可能是数据本身的问题，你的验证集和测试集的划分很可能不是随机的,也就是两个数据集分布有明显不同，可以采用交叉验证来试一下。之后就是对采样之后的数据使用完全分裂的方式建立出决策树，这样决策树的某一个叶子节点要么是无法继续分裂的，要么里面的所有样本的都是指向的同一个分类。'''建立一棵树'''
2022-10-28 15:01:40
1039
原创 决策树算法
其中，c1,c2为划分后两个区域内固定的输出值，方括号内的两个min意为使用的是最优的c1和c2,也就是使各自区域内平方误差最小的c1和c2，易知这两个最优的输出值就是各自对应区域内Y的均值，所以上式可写为。划分的过程也就是建立树的过程，每划分一次，随即确定划分单元对应的输出，也就多了一个结点。因为决策树深度越深，正确率越高，因此可以将深度高的作为预测值，深度低的为真实值，从而得到更好的结果。遍历变量j，对固定的切分变量对j扫描切分点s，选择使上式达到最小值的对(j,s)。1)切分点的选择使用最小二乘法。
2022-10-28 14:59:40
895
原创 决策树的ID3算法上机实现
决策树算法中log使用以2为低，对于随机变量X，以一定的概率p(xi)取值为xi，当计算随机变量X的自发信息量时，由于不知道X的具体取值，要考虑到所有X取到每一个xi的情况，而对于每一个xi的自信息量是可以计算的。若H(Y|X=x)表示变量Y在变量X取特定值x条件下的熵，那么H(Y|X)就是X在取所有的x后取平均的结果。分别计算各个特征的条件熵 分别为年龄的条件熵Y(Y|A), 是否有工作的条件熵Y(Y|W), 是否有房子的条件熵Y(Y|W),信贷情况各个的条件熵Y(Y|C)。
2022-10-28 14:58:32
436
原创 决策树算法（C4.5算法）
C4.5算法与ID3算法生成决策树的步骤过程基本相同，主要区别在于连续型属性和属性度量的计算，ID3算法不能处理连续型属性，而C4.5算法可以先离散化连续型属性，然后进行属性选择计算；在属性度量计算时，ID3算法利用信息增益进行属性选择计算，C4.5 算法则运用信息增益率计算。一般情况下，结束的条件主要有:属性列表为空;在用C4.5算法构造决策树时，信息增益率最大的属性即为当前节点的分裂属性，随着递归计算，被计算的属性的信息增益率会变得越来越小，到后期则选择相对比较大的信息增益率的条件属性作为分裂属性。
2022-10-28 14:57:35
3798
1
原创 决策树算法
第二步，决策树的剪技：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程，主要是用新的样本数扼集（称为测试数据集）中的数据校验决策树生成过程中产生的初步规则。ID3算法，即迭代二叉树3代，是RossQuinlan发明的一种决策树算法，这个算法的基础就是上面提到的奥卡姆剃刀原理，越是小型的决策树越优于大的决策树，尽管如此，也不总是生成最小的树型结构，而是一个启发式算法。ID3的核心思想是利用信息熵原理选择信息增益最大的属性作为分类属性，递归地拓展决策树的分枝，完成决策树的构造。
2022-10-28 14:55:41
911
原创 CART决策树的上机实现
主程序流程图如图3所示。elif(len(dataSet[0]) == 1): # 没有可划分的属性，选出最多的label作为该数据集的标签。主程序流程图如图2所示。elif(labelList.count(labelList[0]) == len(labelList)): # 全部都属于同一个Label，返回labList[0]print("CART算法生成决策树的时间开销：",(t1 - t0)*(10**6),"us")
2022-10-28 14:54:49
487
原创 多类感知器算法求判别函数
M，当第k次迭代时，一个属于Wi类的模式样本X被送入分类器，计算所有判别函数dj=WjT（k）X，J=1,…多类感知器算法的流程如图1所示，首先对初始的矩阵进行规范化，然后定义初始权向量和校正增量w和c，根据d=WTX训练每一个样本，根据其下标判断是否更新权向量，直至di(X)>dj(X)且di(X)>dl(X)结束训练。elif d[0] > d[2] and d[0] d[1] and d[0]
2022-10-28 14:50:09
831
原创 多类感知器算法
经过有限次迭代后，会一直满足d(k)>d(k)，可见上图手动推演结果，则此时的样本已正确分类，此时的权向量即为所求，判别函数也可以由权向量推出。②在第k次迭代时，一个属于W类的模式样本 X 被送入分类器，计算所有判别函数：d(k)=W(k) X;elif d[0] > d[2] and d[0] d[1] and d[0]
2022-10-28 14:49:02
662
原创 叶斯分类器的应用
贝叶斯在很多方面都有应用，文本分类/垃圾文本过滤/情感判别，这是朴素贝叶斯应用最多的地方，现在的分类器有很多，但是在文本分类的场景中，朴素贝叶斯依旧占据着一席之地，因为多分类很简单，同时在文本数据中，分布独立这个假设基本是成立的。朴素贝叶斯分类算法是建立在各个属性之间的相互独立性假设的前提下进行的, 这种假设在现实中是很少出现的。我们组主要从三个方面做贝叶斯分类器的应用领域大综述，分别是：贝叶斯分类算法在数据预测中的应用及综述、朴素贝叶斯分类器在智能导诊中的应用和贝叶斯分类在职业性格分析中的应用。
2022-10-25 17:09:45
638
5
原创 贝叶斯分类器
ESFP = {'精力充沛':0.2,'和蔼':0.1,'同情心':0.2,'热情':0.3,'对人不对事':0.2} #不可或缺的大活宝。ENFJ = {'沟通':0.3,'对人不对事':0.1,'敏锐':0.2,'同情心':0.2,'决定':0.2} #谆谆教诲的教育家。ISTP = {'对事不对人':0.1,'细节':0.3,'经验':0.2,'理智':0.2,'独立':0.2} #谦逊的手艺人。
2022-10-25 17:07:52
666
原创 朴素贝叶斯分类器之天气预测算法
该算法以十个样例为训练集，四个为测试集，通过处理，能够大致预测在不同天气的情况下，是否可以去打网球。（2）软件环境：本实验的软件环境主要为Windows操作系统，Pycharm工具。（1）硬件环境：Intel(R) Core(TM) i7-7700HQ CPU。（3）计算概率（先验概率、条件概率、联合概率）（4）根据贝叶斯公式计算预测概率。（2）分析处理数据集数据。（1）提取数据集数据。
2022-10-25 17:06:01
3036
原创 马尔科夫随机场做图像分割
通过观测一副图像，可以知道图像的特征图，使用马尔科夫的特性，选取图像中一个点的8邻域，对图像的像素点类别进行随机初始化，这里可以通过设置随机数的方法或者K均值算法进行初始化，其次通过已经计算出的先验概率、条件概率（假设条件概率符合正态分布）来求得该像素点的后验概率，通过后验概率即可对图像进行分割。f_u = np.array([0,1,0,0,0,0,0,0,0]).reshape(3, 3)#重新设置图片大小。sigma = np.zeros((1, cluster_num)) #生成包含零的数组。
2022-10-25 17:05:17
1445
1
原创 朴素贝叶斯算法实现垃圾邮件过滤
wordList = textParse(open('email/spam/%d.txt' % i, 'r').read()) # 读取每个垃圾邮件，并字符串转换成字符串列表。wordList = textParse(open('email/ham/%d.txt' % i, 'r').read()) # 读取每个非垃圾邮件，并字符串转换成字符串列表。if trainCategory[i] == 1: # 统计属于侮辱类的条件概率所需的数据，即P(w0|1),P(w1|1),P(w2|1)···
2022-10-25 17:03:25
1679
1
原创 SVM分类器讨论 matlab
（1）通过PPT及视频的方式，介绍了SVM分类器的原理及推导过程、SVM的算法流程，并总结SVM分类器的优缺点、了解SVM的应用、通过Matlab和Python两种方式实现SVM分类器分类和预测，算出预测准确率，作出实际与预测的图像并对分类结果进行分析评判。（2）我本次主要负责Matlab程序实现SVM分类器对Matalb自带的红酒数据集的分类和预测，本次程序设计的目标就是基于Matlab通过对Matlab自带的红酒数据集进行分类和预测，并得到预测准确率以及预测和分类的图像。xlabel('样本序号')
2022-10-25 17:02:03
744
原创 SVM分类器用python
随着训练的进行，分类器可以看到越来越多的数据样本，因此越来越清楚地知道最优决策边界应该在哪里。在这种场景下，如果决策边界的绘制方式是“–”样本位于决策边界的左边，或者“+”样本位于决策边界的右边，那么就会出现一个误分类错误。在训练初期，分类器只看到很少的数据点，它试着画出分隔两个类的最佳决策边界。随着训练的进行，分类器会看到越来越多的数据样本，因此在每一步中不断更新决策边界。作为训练集，其余细胞作为测试集。一个SVM最有可能选择实线，因为这是“+”类和“–”类数据点之间的最大间隔的决策边界。
2022-10-25 17:00:26
2828
原创 SVM分类器原理
在机器学习以及模式识别中往往会发挥不错的性能，自开始出现至今一直不断发展，SVM得益于监督学习的特性，可以应用到很多统计范畴的问题中，包括分类、模型识别等。通过找到一个最优分类超平面g(x)=，其基本原理为通过归一化判别函数，使得正负样本满足，于是分类间隔为即最小可以使分类间隔最大，最后通过求解二次规划问题使得线性可分问题得到求解。根据仿真结果可以看出我们构建的SVM模型将乳腺癌细胞分成了0良性和1恶性，精确度为97.4874%，较好的完成了目标的分类要求。作为训练集，其余细胞作为测试集。
2022-10-25 16:59:09
1998
1
原创 PCA算法讨论
data = np.matrix([ [x1[i],y1[i]] for i in range(len(x1)) ]) #将数据转化为矩阵形式。data = np.matrix([ [x1[i],y1[i]] for i in range(len(x1)) ]) #将数据转化为矩阵形式。data = data - repmat(mapping.mean, [size(data, 1) 1])%去均值。print("求均值之后的数据", data)
2022-10-25 16:58:06
189
原创 1.PCA算法研究
其中，第一个新坐标轴选择是原始数据中方差最大的方向，第二个新坐标轴选取是与第一个坐标轴正交的平面中使得方差最大的，第三个轴是与第1,2个轴正交的平面中方差最大的。降维是一种数据集预处理技术，往往在数据应用在其他算法之前使用，它可以去除掉数据的一些冗余信息和噪声，使数据变得更加简单高效，从而实现提升数据处理速度的目的，节省大量的时间和成本。(4)将求出的特征向量按照特征值的大小进行组合形成一个映射矩阵，并根据指定的PCA保留的特征个数取出映射矩阵的前n行或者前n列作为最终的映射矩阵。
2022-10-25 16:55:20
330
原创 LDA分类器 python
线性判别分析（Linear Discriminant Analysis, LDA）是一种经典的线性学习方法，思路是将两种数据投影到一条直线上，使这两种数据之间尽可能远离，且同类数据尽可能聚集在一起。原理：LDA分类器将数据在低维度上进行投影，投影后希望每一种类别数据的投影点尽可能的接近，而不同类别的数据的类别中心之间的距离尽可能的大。（4）求出第三步的矩阵的特征值和特征向量，按从小到大的顺序选择前d个特征值和对应的特征向量，从而求得投影矩阵W。（5）对样本集中的每一个样本特征xi，转化为新的样本。
2022-10-24 08:50:01
357
原创 LDA分类器 python
并且LDA也是一种监督学习的降维技术，也就是说它的数据集的每个样本都有类别输出。LDA 的思想非常朴素：给定训练样例集，设法将样例投影到一条直线上，使得同样样例的投影尽可能接近、异样样例的投影点尽可能远离；在对新样本进行分类时，将其投影到同样的这条直线上，再根据投影点的位置来确定新样本的类别。原理简介，LDA实现所需的预备知识，LAD的特点，以及LDA的算法过程和利用Python实现lDA的分类。(2)对LDA算法进行概括性的总结，熟悉LDA的原理和和特性等，对PPT的了解以及进行PPT的讲解。
2022-10-24 08:48:58
1116
原创 LDA分类器 python
线性判别分析（Linear Discriminant Analysis, LDA）是一种经典的线性学习方法，思路是将两种数据投影到一条直线上，使这两种数据之间尽可能远离，且同类数据尽可能聚集在一起。原理：利用LDA分类器，将数据在低维度进行投影，并希望每一种类别数据的投影点尽可能的接近，而不同类别的数据的类别中心之间的距离尽可能的大；（4）求出第三步的矩阵的特征值和特征向量，按从小到大的顺序选择前d个特征值和对应的特征向量，从而求得投影矩阵W。（5）对样本集中的每一个样本特征xi，转化为新的样本。
2022-10-24 08:47:51
860
原创 LDA分类器讨论
（1）原理：LDA分类器将数据在低维度上进行投影，投影后希望每一种类别数据的投影点尽可能的接近，而不同类别的数据的类别中心之间的距离尽可能的大。%repmat为创建所有元素值为0.1的1*size(Sw,1)的矩阵。%求矩阵的全部特征值构成对角阵D，并求矩阵的特征向量构成V的列向量。
2022-10-24 08:46:35
228
原创 KNN分类器利用现有的公开数据集（鸢尾花）实现分类器分类
通过程序的运行得出如下结果，当k=1时，分类准确率为95%、当k=17时，分类准确率为100%、当k=100时，分类准确率为95%。%在matlab中，关于KNN分类的函数为fitcknn，'NumNeighbors'是k值，'cityblock'是计算数据间距离的方法 这里采用曼哈顿距离。%正确的分类情况为testGroup，实验测试获得的分类情况为class。legend('正确分类','KNN分类结果');
2022-10-24 08:44:58
1186
原创 KNN分类器实现 python
图中绿色的点就是我们要预测的那个点，假设 K=3。(3)kNN算法又称为k近邻分类(k-nearest neighbor classification)算法,最简单平凡的分类器也许是那种死记硬背式的分类器，记住所有的训练数据，对于新的数据则直接和训练数据匹配，如果存在相同属性的训练数据，则直接用它的分类来作为新数据的分类。计算待分类点与已知类别的点之间的距离按照距离递增次序排序选取与待分类点距离最小的K个点，确定前K个点所在类别的出现次数，返回前K个点出现次数最高的类别作为待分类点的预测分类。
2022-10-24 08:39:36
1064
原创 KNN分类器实现用C语言
(3)kNN算法又称为k近邻分类(k-nearest neighbor classification)算法,最简单平凡的分类器也许是那种死记硬背式的分类器，记住所有的训练数据，对于新的数据则直接和训练数据匹配，如果存在相同属性的训练数据，则直接用它的分类来作为新数据的分类。答案是通过交叉验证（将样本数据按照一定比例，拆分出训练用的数据和验证用的数据，比如6：4拆分出部分训练数据和验证数据），从选取一个较小的K值开始，不断增加K的值，然后计算验证集合的方差，最终找到一个比较合适的K值。for(k=K-1;
2022-10-24 08:38:32
1213
原创 K-means分类器 python
加载sklearn中的iris数据集使用不同维度的数据，调用sklearn中的KMeans()函数实现鸢尾花分类，然后设置不同的k值，做多次分类，将结果用matplotlib画出来比对结果，再计算inertia指标、轮廓系数、调整兰德系数。inertia指标表示的是每个样本点到其所在质心的距离之和，但在聚类中心过多的情况下之一指标评价结果将会出现问题。工作内容主要包括设计算法实现对鸢尾花数据集的分类，并对分类结果做分析，找出最适合的评价标准。二维情况如图1、图2、图3所示。三维情况如图4、图5、图6所示。
2022-10-24 08:35:50
599
1
原创 k-mean分类器 python实现
测试一共有10个数据，k值选取为2，可以从结果清晰的看出，聚类过程一共进行了5次迭代，测试所用的10个样本点已经被归为两类，且最终点的分类与手写演算的结果等同。3）判断是否已经找到最优的聚类中心。对这次的所有样本离聚类中心的总距离和上次做判断，如果不再降低即可认为聚类中心也不在改变，说明我们找到了最优的聚类中心。1）基于聚类中心的样本点分类。主要工作是分别计算每个样本点离聚类中心的距离，并把它添加到对应的类别中。工作内容主要是设计k-mean算法的代码实现，并对例题的手写演算结果进行比对验证。
2022-10-24 08:33:55
976
原创 K-means聚类算法
K-means算法是典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。（4）计算各个中⼼样本的均值（最简单的⽅法就是求样本每个维度的平均值）作为新的中心。（5）重复（2）（3）（4）直到新的中⼼和原来的中⼼基本不变化的。%中心变化阈值（新的中心和前一个中心变化小于这个阈值）（2）分别计算所有样本到随机选取的K个中⼼的距离。%阈值的判断，新的中心和原来的中心。
2022-10-24 08:31:58
241
原创 模式识别Alexnet 的服装图像识别系统的设计与实现
题目 基于Alexnet 的服装图像模式识别系统的设计与实现 题目的主要研究内容 工作的主要描述 本文设计实现了基于 Alexnet 的服装图像识别和分类系统，使用网络爬虫得到的图片进行了测试，对于模型中参数进行了调整以在本实验所用数据集上得到更好的效果，并且增加 CNN 模型作为对比项，结果显示使用 Alexnet 模型能够极好地胜任图像的识别和分类任务。本系统使用了 Fashion-MNIST 数据集，输出的总类别数为 10。 模型简介 正在上传…重
2022-10-22 16:05:12
380
原创 决策树算法讨论
决策树算法讨论1．题目的主要研究内容1、主要研究了决策树算法的主要原理，讲解了ID3算法以及实现思想，信息熵、条件熵、信息增益的概念和决策树构造，以及案例手动实现，Python代码推演以及OCTAVE实现。2、自己工作的主要描述PPT制作以及讲解决策树前置概念，决策树概念和核心思想，以及一些小例子，决策树构造、决策树的分类步骤和决策树优缺点等。2．题目研究的工作基础或实验条件1、硬件环境2、软件环境（pycharm）3．决策树这是一个“判断
2022-10-22 16:04:43
147
原创 看我如何做图像分割基于模式识别系统的设计与实现
对图像K-means进行聚类分析，根据当前聚类中心，利用选定的度量方式，分类所用的样本点，计算当前每一类的样本均值点，作为下次迭代聚类中心，计算下一次迭代的聚类中心与当前聚类中心的差距，如果差距小于给定迭代阈值，迭代结束。# mask 每当一个原始图上一个点位（x，y）被填充之后，该点位置对应的mask上的点（x+1，y+1）的灰度值随机被设置为1（原本该点的灰度值为0），代表该点已经被填充处理过。titles = [u'原始图像', u'聚类图像 K=2', u'聚类图像 K=4',
2022-10-21 10:23:00
899
原创 基于扑克牌模式识别系统的设计与实现
由于纸牌的符号只有红色和黑色两部分，因此在对某一纸牌进行识别前可以先对其进行基于颜色的分流，红色为红桃或方片，黑色为黑桃或梅花，这样不单可以解决不能区分黑色与红色JOKER的问题，同时也减少了花形匹配的次数，提高了系统的效率。只根据符号在纸牌上的大概位置从而对符号的位置进行大致的确定显得有些武断，若纸牌在摄像时出现一定程度的扭曲，又或者摄像并非正对纸牌的时候，这种粗略定位的方法就不适用了，因此有必要改进符号的定位，又或者选择其他的特征；纸牌识别的第一步，必须在待识别的纸牌中提取它所具备的特征。
2022-10-21 10:21:55
723
原创 基于决策树模式识别系统的设计与实现
通过天气情况看能否出行打网球，判断天气是晴、阴、空气湿度、温度、气温等状况来决定是否出行，首先，判断天气是否下雨，若是下雨，则取消出行，天气晴朗没有雨，则进行下一次判断，再通过判断天气的温度，若温度过高，就取消出行，气温适合则进行下一次判断，再进行湿度的判断。if classList.count(classList[-1]) == len(classList): # 判断classList里是否全是一类，count() 方法用于统计某个元素在列表中出现的次数。
2022-10-21 10:21:41
505
原创 基于朴素贝叶斯模式识别系统的设计与实现
其中包含3类分别为山鸢尾（Iris-setosa）、变色鸢尾（Iris-versicolor）和维吉尼亚鸢尾（Iris-virginica），共 150 条记录，每类各 50 个数据，每条记录都有 4 项特征：花萼长度（sepal length）、花萼宽度（sepal width）、花瓣长度（petal length）、花瓣宽度（petal width）。在训练数据集上，我们首先计算不同种类的各个特征的和，然后计算样本在各个属性上取值的均值，最后在计算各类样本在每个属性上的方差。
2022-10-21 10:21:26
752
原创 基于PCA降维的模式识别系统的设计与实现
由于该数据集的样本数量并不多，而且逻辑回归(黄线)、KNN(黑线)以及决策树(绿线)这三种分类器使用的是Python机器学习库中的函数，算法本身经过优化所以在分类时间上看不出随维度的增加有何明显的变化；K均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法，其步骤是，预将数据分为k组，则随机选取k个样本作为初始的聚类中心，然后计算每个样本与各个初始聚类中心之间的距离，把每个样本分配给距离它最近的聚类中心。K均值(蓝线)和决策树(绿线)分类准确率较低。
2022-10-21 10:21:08
600
原创 基于PCA和SVM的人脸识别系统的设计与实现
LFW 数据库主要是从互联网上搜集图像，而不是实验室，一共含有13000 多张人脸图像，每张图像都被标识出对应的人的名字，其中有1680 人对应不只一张图像，即大约1680个人包含两个以上的人脸。效果最差的是Donald Rumsfeld的人脸照片，正确率仅为61%，可能因为他的训练样本较少，或者训练时的参数设置不够完善，参数还有待进一步调试。下载人脸数据集，将其划分为训练集和测试集，对所有数据进行pca降维，将经过降维的训练集特征向量送入svm进行训练，然后将训练好的svm分类器用于测试集的评估。
2022-10-21 10:20:55
963
原创 基于K-means模式识别系统的设计与实现
本次通过python程序实现K-means分类器对数据集的特征提取、分类和预测。本项目数据集采用UCI大学标准K-means数据集 625个四维样本 鸢尾花四维样本150个。使用python语言在pycharm软件上实现算法流程。到最大迭代次数，迭代停止，转下一步骤；）判断：若新的聚类中心和上一个聚类中心相同即。）分别计算各个样本点到聚类中心的欧式距离。
2022-10-21 10:20:35
411
原创 基于SVM的手写数字识别
由于图片中数字的大小和位置不尽相同，为了消除这些影响，首先对每幅图片做标准化预处理：把每幅图片做反色处理，并转为二值图像，然后截取二值图像中包含数字的最大区域，最后将截取到的区域转化为标准的16×16像素的图像。下图标出了识别错误的数字。支持向量机（support vector machines，SVM）是一种二分类模型，它将实例的特征向量映射为空间中的一些点，SVM 的目的就是想要画出一条线，以 “最好地” 区分这两类点，以至如果以后有了新的点，这条线也能做出很好的分类。% 样本标签为样本所对应的数字。
2022-10-21 10:20:15
467
基于KNN算法的电影模式识别系统代码大全.doc
2022-10-19
基于OpenCv的人脸识别系统设计与实现代码大全.doc
2022-10-19
基于CNN卷积神经网络模式识别系统的设计与实现代码大全.doc
2022-10-19
基于卷积神经网络对多类图片分类实验代码大全.doc
2022-10-19
基于贝叶斯分类模式识别系统的设计与实现版本代码大全1.doc
2022-10-19
基于SVM的停车位模式识别系统的设计与实现代码大全.docx
2022-10-19
基于SVM模式识别系统的设计与实现代码大全.doc
2022-10-19
基于K-means模式识别系统的设计与实现版本1代码大全.doc
2022-10-19
基于 python 的灯牌文字识别系统的设计与实现代码大全.pdf
2022-10-19
基于决策树 ID3 算法模式识别系统的设计与实现代码大全.pdf
2022-10-19
基于决策树 ID3 算法模式识别系统的设计与实现代码大全.pdf
2022-10-19
基于贝叶斯的简单垃圾邮件分类代码大全.doc
2022-10-19
基于SIFT特征提取和K-means分类模式
2022-10-19
基于Adam算法的猫狗模式识别系统的设计与实现代码大全.doc
2022-10-19
基于 BP 网络的模式识别系统的设计与实现代码大全.pdf
2022-10-19
基于随机森林算法的模式识别系统的设计与实现代码大全.doc
2022-10-19
基于MATLAB的车牌识别系统的设计与实现代码大全.doc
2022-10-19
基于KNN模式识别系统的设计与实现代码大全.doc
2022-10-19
基于python模式识别系统的设计与实现代码大全.doc
2022-10-19
基于贝叶斯新闻分类任务识别系统的设计与实现代码大全.pdf
2022-10-19
基于VGG网络模式识别系统的设计与实现代码大全.docx
2022-10-19
基于LDA分类的模式识别系统的设计与实现代码大全.doc
2022-10-19
基于PCA的线性监督分类故障诊断的实现代码大全.doc
2022-10-19
基于PCA算法的人脸识别系统的设计与实现代码大全.doc
2022-10-19
基于 AlexNet 网络的模式识别系统的设计与实现代码大全.pdf
2022-10-19
基于SVM的真彩色图像分割模式识别系统的设计与实现代码大全.doc
2022-10-19
基于深度学习的异常心电信号识别代码大全.doc
2022-10-19
基于 SVM 分类器和 HOG 的模式识别系统的设计与实现代码大全.doc
2022-10-19
J2判据和SVM分类器人脸识别代码大全.docx
2022-10-19
基于决策树算法识别数据特征的设计与实现代码大全.doc
2022-10-19
基于faster-rcnn的车辆检测识别系统代码大全.doc
2022-10-19
基于卷积神经网络的手写数字识别系统的设计与实现代码大全.doc
2022-10-19
基于 matlab 的图像噪声类型识别系统的设计与实现代码大全.pdf
2022-10-19
基于贝叶斯分类器的手写数字识别系统代码大全.doc
2022-10-19
基于OpenCV的车牌识别系统的设计与实现代码大全.doc
2022-10-19
基于 SVM 分类器和 HOG 的模式识别系统的设计与实现代码大全.pdf
2022-10-19
基于支持向量机模式识别系统的设计与实现代码大全.pdf
2022-10-19
基于SVM算法的手写数字识别系统的设计与实现代码大全.doc
2022-10-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人