- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习 第五章 Logistic回归
收集数据：采用任意方法收集数据。准备数据：由于需要进行距离计算，因此要求数据类型为数值型。另外，结构化数据格式则最佳。分析数据：采用任意方法对数据进行分析。训练算法：大部分时间将用于训练，训练的目的是为了找到最佳的分类回归系数。测试算法：一旦训练步骤完成，分类将会很快。使用算法：首先，我们需要输入一些数据，并将其转换成对应的结构化数值；接着，基于训练好的回归系数，就可以对这些数值进行简单的回归计算，判定它们属于哪个类别；在这之后，我们就可以在输出的类别上做一些其他分析工作。
2023-09-01 05:03:15
112
1
原创 机器学习 第四章 朴素贝叶斯
朴素贝叶斯算法是有监督的学习算法，解决的是分类问题，如客户是否流失、是否值得投资、信用等级评定等多分类问题。该算法的优点在于简单易懂、学习效率高、在某些领域的分类问题中能够与决策树、神经网络相媲美。但由于该算法以自变量之间的独立（条件特征独立）性和连续变量的正态性假设为前提，就会导致算法精度在某种程度上受影响。生成式模型，通过计算概率来进行分类，可以用来处理多分类问题。对小规模的数据表现很好，适合多分类任务，适合增量式训练，算法也比较简单。对输入数据的表达形式很敏感。
2023-08-25 03:48:12
113
1
原创 机器学习 第二章 k-近邻算法
简单来说，k-近邻算法采用测量不同特征值之间的距离方法进行分类。存在一个样本数据集合，也称作为训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本最相似数据(最近邻)的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处，通常k是不大于20的整数。最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。
2023-07-12 17:11:49
93
1
原创 机器学习 第一章 机器学习基础
机器学习就是把无序的数据转换成有用的信息。机器学习横跨计算机科学、工程技术和统计学等多个学科领域，需要多学科的专业知识。机器学习对于任何需要解释并操作数据的领域都有所裨益。
2023-07-12 03:05:08
174
1
原创 数字图像处理 第六章 彩色图像处理
领域平均法常用于图像的平滑预处理，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的平均值(或加权平均值)，所采用的窗口大小一般为3×3、5×5、7×7等。直方图均衡化基本思想是对图像中像素个数多的灰度级进行扩展，而对图像中像素个数少的灰度进行压缩，从而扩展像素的取值范围，提高对比度和灰度色调的变化，使图像更加清晰。其中，f(x,y)是彩色输入图像，g(x,y)是变换或处理过的彩色输出图像，T 是在空间邻域(x,y)上对f 的操作。实际上，为打印组合的这些颜色混合产生的黑色是不纯的。
2023-06-27 18:07:36
1079
1
原创 【数字图像处理 第五章 图像复原与重建】
继续进行X射线带和检测带的45度角旋转，得到 0° ，45° ，90° ，135° 的四个角度（没有180° 是因为它的反投影会和0° 重合，导致得出的图像出现误差），如下图左所示他已经稍微可以看出来一些是原来的图像了。不仅椒盐噪声的位置是随机的，噪声是黑色的还是白色同样是随机的，所以还要确定噪声的种类。通常采用的方法是截取一组“平坦”环境的图像，通过这部分图像的直方图形状与上节中几种典型噪声的直方图形状进行匹配，若形状是高斯，那么我们就说这个噪声是高斯噪声，继续计算它的均值和方差，得到需要的参数。
2023-06-11 18:57:29
1035
原创 数字图像处理 第一章
数字图像：一幅图像可定义为一个二维函数 f(x,y)，其中x和y是空间（平面）坐标，而在任何一对空间坐标(x,y)处的幅值f 称为图像在该点处的强度或者灰度。当x、y和灰度值f 是有限的离散数值时，我们称该图像为数字图像。数字图像处理：指借助于数字计算机来处理数字图像。其实我们日常的图像处理中，基本上接触的是灰度图像和彩色图像。灰度图像：灰度图像其实就类似于我们早期的黑白电视的图像。
2023-05-08 19:40:42
259
1
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