关于机器(44)代码解决方案的搜索结果

1：机器学习笔记——K-means

K-means是一种聚类算法，其要求用户设定聚类个数k作为输入参数，因此，在运行此算法前，需要估计需要的簇的个数。假设有n个点，需要聚到k个簇中。K-means算法首

https://www.u72.net/daima/hxxw.html - 2024-07-06 01:49:35 - 代码库

2：机器学习读书笔记01

k-近邻算法概述：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优点：精度高、对于异常值不敏感，无数据输入假定缺点：计算复杂度高，空间复杂度

https://www.u72.net/daima/d6rk.html - 2024-08-15 11:23:14 - 代码库

3：机器学习之贝叶斯分类器

贝叶斯分类器（Bayesian decision theory）　　贝叶斯决策论是概率框架下实施决策的基本方法，通过相关概率预先已知的情况下对误判损失来选择最优的类别分类

https://www.u72.net/daima/hsdn.html - 2024-08-13 09:41:21 - 代码库

4：机器学习基石(13)--Hazard of Overfitting

本节课程主要讲述过拟合。VC Dimension过大的时候会发生Bad Generalization，也就是Ein很低，但是Eout很高的情况。没有办法做举一反三的学习。Ein越做越好

https://www.u72.net/daima/dsh1.html - 2024-08-15 02:52:37 - 代码库

5：机器学习基石(10)--Logistic Regression

如果我们想要知道的并不是绝对的是或者非，我们只想知道在是非发生的概率（只想知道概率，不想知道结果）是多少的时候：虽然我们想要知道左边的完美数据，但是在实

https://www.u72.net/daima/drzk.html - 2024-08-15 02:04:03 - 代码库

6：机器学习基石(12)--Nonlinear Transformation

本节课重要讲述非线性的问题怎么样才能变成线性的分类问题。到目前为止，我们会用模型进行线性的分类（左图），但是遇到右图的样子的时候，还是不能用一条线将它

https://www.u72.net/daima/drr5.html - 2024-08-15 02:17:12 - 代码库

7：机器学习基石笔记（四）

四、 How Can Machines Learn Better? 我个人感觉第四讲是整个基石课程的精髓所在，很多东西说的很深也很好。　首先是overfitting的问题，过拟合是一个

https://www.u72.net/daima/k09e.html - 2024-08-14 10:43:53 - 代码库

8：机器学习经典论文/survey合集

Active Learning Two Faces of Active Learning, Dasgupta, 2011 Active Learning Literature Survey, Settles, 2010Applications A Survey of Eme

https://www.u72.net/daima/hmf5.html - 2024-07-06 12:25:57 - 代码库

9：机器学习基石笔记（三）

三、How Can Machines Learn?　　第三节首先介绍了linear regression,线性可分的线性规划是有analytic solution的，林老师给我们推了一下，关键就是矩阵化

https://www.u72.net/daima/kwh8.html - 2024-08-14 08:34:58 - 代码库

10：机器学习二逻辑回归作业

作业在这，http://speech.ee.ntu.edu.tw/~tlkagk/courses/ML_2016/Lecture/hw2.pdf 是区分spam的。57维特征，2分类问题。采用逻辑回归方法。但是上述数

https://www.u72.net/daima/f84n.html - 2024-08-17 06:28:10 - 代码库

11：机器学习（二）线性归回模型

我们假设有M个样本，x表示输入，y表示输出。一个样本i，记为$(x^i，y^i)$。我们假设这个回归模型为$h(x)=\theta_0+\theta_1x$那么我们如何去评价拟合的效果

https://www.u72.net/daima/f218.html - 2024-08-17 01:49:54 - 代码库

12：常用python机器学习库总结

开始学习Python，之后渐渐成为我学习工作中的第一辅助脚本语言，虽然开发语言是Java，但平时的很多文本数据处理任务都交给了Python。这些年来，接触和使用了很

https://www.u72.net/daima/wcac.html - 2024-08-25 07:49:50 - 代码库

13：《机器学习实战》——决策树

原理（ID3）：依次选定每个特征，计算信息增益（基本信息熵-当前信息熵），选择信息增益最大的一个作为最佳特征；以该特征作为树的根节点，以该最佳特征的每一个值作为

https://www.u72.net/daima/wb7c.html - 2024-08-25 06:03:44 - 代码库

14：《机器学习实战》——K近邻算法

原理：(1) 输入点A，输入已知分类的数据集data(2) 求A与数据集中每个点的距离，归一化，并排序，选择距离最近的前K个点(3) K个点进行投票，票数最多的分类即为

https://www.u72.net/daima/whkv.html - 2024-08-25 00:32:21 - 代码库

15：机器视觉中的目标检测

今天撇去不同目标追踪算法的框架，比如KCF、TLD、Mean Shift等，忽略它们繁琐的公式，看了对目标检测的基本理解。这里做一个简单的总结，目标检测的框架一般是

https://www.u72.net/daima/u0r3.html - 2024-08-22 09:05:50 - 代码库

16：常用机器学习方法总结

1.决策树算法　　决策树是一种树形分类结构，一棵决策树由内部结点和叶子结点构成，内部结点代表一个属性（或者一组属性），该结点的孩子代表这个属性的不同取值

https://www.u72.net/daima/w2er.html - 2024-07-16 08:53:54 - 代码库

17：机器学习树的算法总结

1.决策树骤如下：（1）：假设T为训练样本集。（2）：从属性集合Attributes中选择一个最能区别T中样本的属性。（3）：创建一个树节点，它的值为所选择的属性。创建此节点

https://www.u72.net/daima/wsc1.html - 2024-08-25 11:16:26 - 代码库

18：机器学习之数据预处理

归一化处理from sklearn.preprocessing import StandardScalerX_scaler = StandardScaler()y_scaler = StandardScaler()X_train = X_scaler.fit_t

https://www.u72.net/daima/s0h5.html - 2024-08-20 15:53:43 - 代码库

19：机器学习-分类器-Adaboost原理

Adaboost原理 Adaboost(AdaptiveBoosting)是一种迭代算法，通过对训练集不断训练弱分类器，然后把这些弱分类器集合起来，构成强分类器。adaboost算

https://www.u72.net/daima/c0ew.html - 2024-08-17 21:04:29 - 代码库

20：OpenCV机器学习库函数--SVM

svm分类算法在opencv3中有了很大的变动，取消了CvSVMParams这个类，因此在参数设定上会有些改变。opencv中的svm分类代码，来源于libsvm。#include "openc

https://www.u72.net/daima/s8w1.html - 2024-08-21 04:31:06 - 代码库