- 博客(17)
- 收藏
- 关注
RSS订阅原创 15. 多层感知机原理及实现
完整的实验代码在我的github上👉欢迎star⭐多层感知机(MLP)是一种前馈神经网络，由输入层、若干个隐藏层和输出层组成。每一层都由多个神经元组成。MLP一般用于分类问题，可以通过反向传播算法进行训练。在深度学习领域，MLP是一种基础结构，被广泛应用于图像识别、自然语言处理等领域。
2023-03-05 16:50:54
1145
原创 14. 感知机原理与代码实现
感知机是一种简单而有效的二分类算法，其主要思想是利用输入向量和权值向量的线性组合，通过激活函数得到输出结果，从而实现对输入数据的分类。本文介绍了使用Python语言实现简单感知机算法的代码，用于对二维数据进行分类。感知机是机器学习的基础算法之一，对于线性可分的数据集可以取得较好的分类效果。完整的实验代码在我的github上👉QYHcrossover/ML-numpy: 机器学习算法numpy实现 (github.com)欢迎star⭐。
2023-03-05 16:50:47
624
原创 13. k_means算法原理及代码实现
本文介绍了kmeans聚类算法的原理和代码实现。kmeans是一种基于距离的聚类算法，它将数据集划分为k个簇，每个簇包含最接近它们的数据点。与Mean Shift聚类不同，k均值聚类需要事先指定簇的数量k。在实现过程中，首先随机选择k个点作为初始中心点，然后计算每个数据点与k个中心点的距离，并将其归为距离最近的中心点所在的簇。之后重新计算每个簇的中心点，并重复上述步骤，直到簇不再发生变化或达到预定的迭代次数。本文还给出了算法的代价函数和具体代码实现。
2023-03-05 16:50:15
328
原创 12. Mean_Shift算法原理及代码实现
mean_shift算法是一种非参数的聚类算法，它可以帮助我们在数据集中发现潜在的聚类中心，它对于高维度和非线性分布的数据集也有很好的适应性。mean_shift算法是一种非参数的聚类算法，它可以帮助我们在数据集中发现潜在的聚类中心，对于高维度和非线性分布的数据集也有很好的适应性。如果当前聚类中心和已有的聚类中心很近，则将此类中的各个数据点的访问次数加到已有的聚类中心中。在类的初始化函数中，我们定义了带宽参数和收敛阈值，并初始化了每个聚类中心点的位置以及每个样本点被各类访问的次数。然后，我们用一个内部的。
2023-03-05 16:49:24
1082
原创 11. PCA算法原理及代码实现
本文介绍了PCA（Principal Component Analysis）算法的原理及其代码实现。PCA算法是一种常用的数据降维方法，可以用于高维数据的可视化、噪声过滤、特征提取等方面。本文提供了PCA算法的公式和Python代码，同时还通过一个实例演示了如何使用PCA算法进行降维操作，并将sklearn调用结果与自己的实现结果做了对比。完整的实验代码在我的github上👉QYHcrossover/ML-numpy: 机器学习算法numpy实现 (github.com)欢迎star⭐。
2023-03-05 16:47:20
350
原创 10. 线性回归原理以及代码实现
通过最小二乘法来求解模型的参数或系数，我们可以得到一条最优的直线或超平面来拟合训练数据集中的实际数据点。它的核心是通过最小二乘法来拟合一条直线或超平面，使得这条直线或超平面与训练数据集中的实际数据点的误差平方和最小。这样的直线或超平面能够最好地拟合数据，从而帮助我们解决各种问题，例如房价预测、销售预测、甚至股票价格预测等等。矩阵的第一列设置为1，然后通过最小二乘法来求解模型的参数或系数。在预测时，我们使用求得的模型参数或系数来预测新的数据点。维的列向量，第一项是截距，后面的项是每个特征对应的系数或参数。
2023-03-05 16:43:26
275
原创 8. 支持向量机SVM原理以及代码实现
本文介绍了支持向量机（SVM）的原理和代码实现。SVM是一种二分类模型，其核心思想是找到一个最优的超平面来将不同类别的数据点分开。在代码实现部分，我们定义了一个SVM类，并实现了拟合函数、预测函数和评分函数。通过使用make_gaussian_quantiles函数生成的二维高斯分布数据集进行训练和预测，我们展示了SVM模型的性能。完整的实验代码在我的github上👉QYHcrossover/ML-numpy: 机器学习算法numpy实现 (github.com)欢迎star⭐。
2023-03-05 16:36:40
1167
原创 9. 支持向量机SMO代码实现
本文介绍了使用SMO算法实现支持向量机的过程。我们首先介绍了高斯核函数的计算方法，然后讨论了决策函数、预测误差和KKT条件的计算方法。接下来，我们介绍了SMO算法的详细实现过程，包括参数的初始化、核函数矩阵的计算、优化变量的选择和更新、以及偏置的更新。最后，我们通过计算模型在输入数据上的准确率来评估模型的性能。支持向量机是一种强大的分类器，它可以在高维空间中找到最优的超平面来分隔不同类别的样本点。使用SMO算法实现支持向量机可以有效地解决大规模数据集的分类问题。完整的实验代码在我的github上👉。
2023-03-05 16:35:35
374
原创 7. Adaboost原理以及代码实现
该篇博客主要介绍了Adaboost算法的原理和实现过程，Adaboost是一种基于弱分类器的集成学习算法，它的核心思想是通过多个弱分类器的集成来构建一个更强大的分类器。文章首先介绍了Adaboost算法的原理，包括基本流程和重要的公式推导，然后详细介绍了如何使用Python实现Adaboost算法，包括构建Adaboost类和实现fit、predict和score等方法。最后，通过对乳腺癌数据集的实验，展示了Adaboost算法在二分类问题上的应用效果。完整的实验代码在我的github上👉。
2023-03-04 17:11:07
598
1
原创 6. 决策树算法原理以及cart代码实现
这篇博客介绍了CART决策树的原理以及如何使用Python编写代码来构建一个CART决策树模型，以诊断乳腺癌为例。文章首先介绍了决策树的基本概念和构建流程，然后详细讲解了CART决策树的原理，包括基尼系数、切分点选择、剪枝等内容。接着，文章以乳腺癌数据为例，自己编写了一个CART决策树分类器，并在该数据集上训练和测试，并使用后剪枝的方法提高模型的泛化能力。完整的实验代码在我的github上👉QYHcrossover/ML-numpy: 机器学习算法numpy实现 (github.com)欢迎star⭐。
2023-03-04 17:06:36
771
原创 5. 决策树算法原理以及ID3算法代码实现
本篇博客主要介绍了决策树算法原理和ID3算法的代码实践。决策树是一种常用的分类算法，通过对特征的判断和分类来实现对目标的预测。决策树算法的核心思想是通过对数据进行分割来最小化熵或信息增益等指标，从而达到对数据的分类。而ID3算法是基于信息增益进行特征选择的决策树算法，它通过计算每个特征的信息增益来选择最优的特征进行切分，构建决策树模型。本篇博客使用Python实现了ID3算法，并通过一个小数据集的分类任务进行了演示，展示了算法的具体实现过程。下一篇博客将介绍CART算法的原理和代码实现。
2023-03-04 16:48:33
883
1
原创 4. 逻辑回归算法原理以及代码实现
主要介绍了逻辑回归算法的原理和如何用Python的numpy库实现逻辑回归。其中，主要涵盖了逻辑回归算法的原理、sigmoid函数的作用、损失函数和梯度下降算法的应用。代码中的类实现了逻辑回归的训练和预测，并用fit函数来训练模型。最后在本地运行代码并测试模型的准确率。如果想要深入学习机器学习和numpy，可以关注作者的GitHub账号👉https://github.com/QYHcrossover/ML-numpy。
2023-03-04 16:42:28
269
原创 3. 朴素贝叶斯原理以及代码实现
本篇博客主要介绍了朴素贝叶斯算法的原理及实现。朴素贝叶斯是一种常用的分类算法，它的原理是基于贝叶斯定理和条件独立假设。通过学习样本数据中的特征和对应的类别信息，建立概率模型，然后利用贝叶斯定理计算出给定特征的情况下，每个类别的概率，并选择概率最大的类别作为分类结果。在代码实现中，定义了一个Bayes类，包括了均值、方差、高斯概率密度函数、拟合、预测和评估等方法。其中，拟合方法用于训练模型，预测方法用于根据输入的特征预测类别，评估方法用于评估模型的性能。
2023-03-04 16:32:38
610
原创 2. KDTree实现KNN算法
KDTree是一种常见的数据结构，可以用于高效地查找多维空间中的最近邻点。在KDTree中，每个节点都是一个k维点，节点可以分为左右子树，子树中的节点代表k维空间中的点集。建立KDTree的过程可以通过递归来实现，对于每个节点，我们需要选择一个维度和一个分割值，将该节点的点集按照这个维度的值分为两部分，分别放到左右子树中。分割值可以选取中位数或者其他的分位数，这样可以保证左右子树的平衡，避免树的深度过大，影响查询效率。
2023-03-04 16:23:46
356
原创 双目相机基本概念
这部分内容之前看了几份材料后还是感觉有点绕，后来看了 Epipolar Geometry and Stereo Vision这份PDF后才逐渐搞清楚了一些概念；所以写篇博客来梳理下双目视觉的一些概念，包括极线约束、旋转矩阵和平移向量、本征矩阵、基础矩阵等旋转矩阵和平移向量双目视觉中有两个摄像机，双目相机标定时不仅需要完成两个单目摄像机的所有标定任务（内参矩阵、畸变系数、外参矩阵），还需要计算与左右两个相机的坐标系变换相关的参数，这个变换同样也是一种刚体变换；所以标定的同样是左右相机坐标系之间变换的旋转矩
2020-07-23 20:48:22
7360
原创 立体匹配算法笔记
这部分是我看了奥比中兴一次技术宣讲写的笔记，主要内容就是立体匹配算法的综述，这一篇下来应该来说对立体匹配算法的方方面面都有一个初步的认识了吧.视频链接：https://mp.weixin.qq.com/s/VGNIxCSGMFR7ZyJ-K6GBrA文章目录立体匹配的难点立体匹配算法分类局部方法全局方法半全局方法立体匹配流程匹配代价计算代价空间 Cost Volume代价聚合Box FilteringBilateral filterSemi-Global Matching视差计算Winner-Take-
2020-07-23 19:52:21
1049
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人