机器学习算法
文章平均质量分 90
Guardian_Bud
zhantaocheng@qq.com
展开
-
ML-常见目标检测算法
一. 概述目标检测作为计算机视觉学科下一个热门研究方向,近年来和深度学习相结合,使得检测准确性和实时性均获得巨大提升。传统的目标检测算法模型主要由两部分组成,第一部分是特征提取器,第二部分是分类器,这类算法的典型代表主要有三种:Haar特征+Adaboost算法,Hog特征+Svm算法,DPM算法。近年来,由于深度学习算法的不断进步,相继发展出多种基于深度学习的目标检测算法,算法也由曾经的特征提...原创 2018-11-08 21:03:04 · 2738 阅读 · 0 评论 -
ML --聚类算法
聚类算法在无监督学习中,训练样本的标记是没有指定的,通过对无标记样本的训练来探索数据之间的规律。其中应用最广的便是聚类,聚类试图把一群未标记数据划分为一堆不相交的子集,每个子集叫做”簇“,每个簇可能对应于一个类别标签,评价指标外部指标外部指标需要一个参考模型,这个参考模型通常是由专家给定的,或者是公认的参考模型比如公开数据集。对于聚类的结果所形成的簇集合(这里叫做簇C),对于参考...原创 2019-05-17 12:53:42 · 400 阅读 · 0 评论 -
ML --集成学习算法算法
集成学习的作用采用集成学习的原因有以下四点:分类器间存在一定的差异性,这会导致分类的边界不同,也就是说分类器是一个比较专精的专家,它有它自己一定的适用范围和特长。那么通过一定的策略将多个弱分类器合并后,就可以拓展模型的适用范围,减少整体的错误率,实现更好的效果。对于数据集过大或者过小,过大会导致训练一个模型太慢,过小则会导致训练不充分,在这种情况下可以分别对数据集进行划分和有放回的操...原创 2019-05-17 11:39:40 · 226 阅读 · 0 评论 -
ML ---贝叶斯分类器算法
贝叶斯分类器1. 贝叶斯决策论对分类任务来说,在所有相关概率都已知的理想情形下,贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记。2. 贝叶斯判断准则(Bayes decision rule)3. 朴素贝叶斯分类器:4.半朴素贝叶斯分类器:5.拉普拉斯修正:...原创 2019-05-17 11:10:42 · 505 阅读 · 0 评论 -
ML --决策树学习算法
基本概念决策树又称为判定树,是运用于分类的一种树结构,其中的每个内部节点代表对某一属性的一次测试,每条边代表一个测试结果,叶节点代表某个类或类的分布。决策树的决策过程需要从决策树的根节点开始,待测数据与决策树中的特征节点进行比较,并按照比较结果选择选择下一比较分支,直到叶子节点作为最终的决策结果。决策树的学习过程特征选择:从训练数据的特征中选择一个特征作为当前节点的分裂标准(特征选...原创 2019-05-16 20:53:29 · 301 阅读 · 0 评论 -
ML ---数据与数据预处理
数据与数据预处理机器学习里有一句名言:数据和特征决定了机器学习的上限,而模型和算法的应用只是让我们逼近这个上限。一、 获取数据,数据抽样:1.简单随机抽样(simple random sampling):将所有调查总体编号,再用抽签法或随机数字表随机抽取部分观察数据组成样本。优点:操作简单,均数、率及相应的标准误计算简单。缺点:总体较大时,难以一一编号。2.系统抽样(sys...原创 2019-05-16 15:47:49 · 749 阅读 · 0 评论 -
ML--机器学习python库sklearn的学习
Scikit-learn(sklearn)是机器学习中常用的第三方模块,对常用的机器学习方法进行了封装,包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法。Sklearn安装要求Python(>=2.7 or >=3.3)、NumPy (>= 1.8.2)、S...原创 2019-04-12 16:43:12 · 271 阅读 · 0 评论 -
ML-目标检测算法YOLO
目标检测算法——YoloYOLO 的核心思想就是利用整张图作为网络的输入,直接在输出层回归 bounding box(边界框) 的位置及其所属的类别。将一幅图像分成 SxS 个网格(grid cell),如果某个 object 的中心落在这个网格中,则这个网格就负责预测这个 object,输出特征向量形式每个网格要预测 B 个 bounding box,每个 bounding box...原创 2019-04-06 18:23:10 · 1082 阅读 · 0 评论 -
ML-感知机及其matlab实现
1. 感知机原理:感知机是二分类的线性模型,其输入是实例的特征向量,输出的是事例的类别,分别是+1和-1,属于判别模型。假设训练数据集是线性可分的,感知机学习的目标是求得一个能够将训练数据集正实例点和负实例点完全正确分开的分离超平面。如果是非线性可分的数据,则最后无法获得超平面。感知机从输入空间到输出空间的模型如下:损失函数的优化目标是期望使误分类的所有样本,到超平面的距离之和最小。所...原创 2019-03-18 22:22:10 · 610 阅读 · 0 评论 -
ML --泛化误差,偏差,方差,过拟合,欠拟合的理解
泛化误差,偏差,方差,过拟合,欠拟合的理解一文读懂,这个博客写的满分:http://www.cnblogs.com/makefile/p/bias-var.html#fn2https://www.cnblogs.com/DicksonJYL/p/9485255.html...原创 2019-05-17 13:48:50 · 271 阅读 · 0 评论