机器学习算法
文章平均质量分 74
机器学习基础知识
仙女修炼史
从入门到了解、到熟悉、到深入、到掌握,一步一个脚步,踏踏实实,不断进阶!
展开
-
基于梯度直方图(HOG)的目标检测
深度学习之前,最成功的检测算法就是基于梯度直方图的目标检测算法,今天主要介绍一些这个算法的步骤:1、图像预处理(统一亮度,色彩强度)这样做是为了使图像不要太黑或者太亮,对比度不要太窄2、计算每一个像素点位置的梯度方向和大小下图是梯度的计算方式和梯度的可视化:从梯度的计算公式可以看出,梯度是带有方向的向量,它有自己的方向和大小,每个像素位置都可以计算自己的梯度,计算方法是,先计算x方向的梯度,即像素值变换,再计算y方向上的梯度,即像素值变换,这两个方向上的变换,组成了一个向量,从左图可以看出,图中原创 2021-10-15 22:48:04 · 693 阅读 · 1 评论 -
StatQuest系列之AdaBoost
一、AdaBoost原创 2021-02-23 16:04:51 · 279 阅读 · 0 评论 -
StatQuest系列之Random Forests
一、随机森林的概念原创 2021-02-21 17:51:46 · 264 阅读 · 3 评论 -
StatQuest系列之Decision Trees
视频来自B站:StatQuest - Decision Trees一、建立决策树现在有一组数据,是病人的健康程度,即胸痛、血液循环、动脉阻塞,以及该病人是否有心脏病,现在我们要用这组数据建立一个决策树,来预测一个人是否有心脏疾病,数据如下:决策树是由许多的yes/no节点组成的树状分类器,该例子中病人有三个健康因素,这三个因素可以都可以组成节点,每个节点的统计方式是,例如chest pain,判断病人是否有胸痛,其中有144个样本通过yes,即有胸痛统计到左叶子节点,有159个样本通过no,即无胸痛原创 2021-02-19 18:47:54 · 265 阅读 · 0 评论 -
StatQuest系列之Maximum Likelihood
视频来自b站:StatQuest-Maximum Likelihood如果不知道什么是likelihood,请自行阅读我的StatQuest系列之probality 和 likelihood的区别一、maximum likelihood估计器的作用下面是一群小白鼠的体重值,maximum likelihood可以用一种最优的方式找到一种分布曲线图,来表示这些1D的数据值分布,这是数据建模的一部分,也是进行数据分析非常重要的一步,我们将通过...原创 2021-02-19 11:22:02 · 320 阅读 · 0 评论 -
StatQuest系列之probality 和 likelihood的区别
以小白鼠体重曲线分布图来解释probality 和 likelihood的区别一、小白鼠体重曲线分布图小白鼠体重曲线分布是以均值为32,偏差为2.5,最小体重为24,最大体重为40的高斯分布曲线图:二、probality概率是什么?假设我们已经有了上面的小白鼠体重曲线分布图!那么,我们随机选择一只小白鼠,体重是在32 和34 克之间的概率多少呢,在上面的高斯分布曲线图中,我们发现32 < x < 34曲线面积是0.29,即有29%的概率,我们选择的小白鼠的体重是32和34之间。即p原创 2021-02-18 16:21:27 · 520 阅读 · 0 评论 -
StatQuest系列之t-SNE
视频来自b站:t-SNE, Clearly Explained(生肉)一、什么是t-SNE t-SNE 将高维数据集映射到低维图中,并且保持许多原有的信息,如果你对这种降维方式不是很熟悉,可以看pca的相关视频,因为我在那个视频中解释了什么是数据降维。二、t-SNE简单例子 图(1)上图是一个简单的基本二维散点图,下图是利用t-sne将2D的散点图降维为1D的点,我们将利用这个超级简单的例子来展示整个t-sne过程,并且解释其背后的概念意思,当t-sne被应用到一个很大其复杂的数据集时,你依旧知原创 2021-02-15 11:08:51 · 363 阅读 · 0 评论 -
欢迎来到StatQuest
视频来自b站:欢迎来到StatQuest(生肉)大家好,我是Josh Starmer统计学和机器学习是非常强大,但是我们也知道背后复杂的数学模型使他们非常难以理解,StatQuest正是为了解决这个问题而出现。无论多么复杂的算法,StatQuest 将其分解为容易理解的小块。每个概念都为你提供了一个直观的感受,让你知道这些方法是如何出自数学而又超越数学的。StatQuest 并没有简化概念,相反,StatQuest 让你对统计学和机器学习有更深入对的理解。...原创 2021-02-13 16:44:25 · 371 阅读 · 0 评论