Python
Java
PHP
IOS
Android
Nodejs
JavaScript
Html5
Windows
Ubuntu
Linux
用python对训练集和测试集进行特征规范化处理
这里的规范化处理指对提取后的特征集进行处理 不是对原始的数据信号进行处理 包括归一化和标准化 规范化的原因 不同特征具有不同量级时会导致 a 数量级的差异将导致量级较大的特征占据主导地位 b 数量级的差异将导致迭代收敛速度减慢 c 依赖于样
python
机器学习笔记
机器学习
特征规范化
归一化
机器学习练习题(二)
从牛客网找来得题目 解析是题目下的高赞答案 1 下面有关分类算法的准确率 召回率 F1 值的描述 错误的是 a 准确率是检索出相关文档数与检索出的文档总数的比率 衡量的是检索系统的查准率 b 召回率是指检索出的相关文档数和文档库中所有的相关
机器学习
机器学习笔记
习题
目标检测算法之YOLOV3
本博客中YOLO系列均为个人理解笔记 欢迎评论指出理解有误或者要讨论的地方 YOLOV3模型相比于v2来说 实质性的改进并不大 更多的是一些技术的堆叠 其并不像yolov2对于v1一样 由巨大的改变和提升 其相对于yolov2 改变在于 1
机器学习笔记
计算机视觉学习笔记
计算机视觉
目标检测
Ubuntu使用haar+adaboost训练进行手势识别
手势识别开源代码千千万 为啥我要用此方法 原因有三 首先 我们项目要求这个手势识别是不分环境的 也就是半夜三更黑灯瞎火也能用 这一下子就把纯RGB的方式给去除了 而且也要考虑用户戴手套 手套颜色不限制 使用 那么肤色过滤什么的咱们再见 其次
机器学习笔记
opencv
机器学习第一周(一)--机器学习引入
机器学习 监督学习 无监督学习 机器学习 1 机器学习算法主要分为俩大类 监督学习 Supervised Learning 和无监督学习 Unsupervised Learning 监督学习与无监督学习一个最大不同是监督学习的数据是带标签的
机器学习
机器学习笔记
监督学习
无监督学习
随机森林和梯度提升回归树(笔记)
最近在自学图灵教材 Python机器学习基础教程 在csdn以博客的形式做些笔记 决策树集成 集成 ensemble 是合并多个机器学习模型来构建更强大模型的方法 在机器学习文献中有许多模型都属于这一类 但已证明有两种集成模型对大量分类和回
机器学习笔记
随机森林
机器学习
算法
决策树
吴恩达机器学习笔记之神经网络参数的反向传播算法
代价函数 回顾Logistic Regression中的代价函数为 神经网络的代价函数的基本思想与逻辑回归是一样的 但是形式上有一些差别 L表示神经网络的层数 sl表示l层神经网中的神经元的个数 K表示输出层的神经元的个数 正则项的计算包含
机器学习笔记
吴恩达机器学习笔记之机器学习系统设计
确定执行的优先级 误差分析 在设计一个复杂的机器学习系统时 可以先用最简单的算法去快速实现它 然后用交叉验证集来看看自己的算法需要在哪些方面提高 除此之外 还可以进行误差分析 来针对性的提高我们的算法 不对称分类的误差评估 类偏斜情况表现为
机器学习笔记
目标检测算法之YOLOV2
YOLOV2论文对v1中许多地方都进行了相关的改进和提升 其将骨干网络也进行了更换 不在使用v1的骨干网络 其v2骨干模型结构图如下 作者删去了骨干网络最下面的三层操作 接上了三个卷积核一个高维度特征与低维度特征的融合 并最终生成模型输出
计算机视觉学习笔记
机器学习笔记
目标检测
算法
计算机视觉
python机器学习——NLTK及分析文本数据(自然语言处理基础)
NLTK NLTK Natural Language Toolkit 自然语言处理工具包 在NLP 自然语言处理 领域中 最常使用的一个Python库 自带语料库 词性分类库 自带分类 分词功能 NLTK安装 安装 pip install
机器学习笔记
python机器学习
文本数据分析
NLTK
自然语言处理
线性代数—学习笔记
对分类超平面方程
机器学习笔记
数学
机器学习笔记-感知机对偶形式
文章目录 前言 一 感知机对偶形式 二 感知机对偶形式的实现 总结 前言 感知机模型是有两种形式的 上一篇文章中详细学习了感知机的原始形式数学模型 我们知道 感知机应该还有对偶形式 这篇文章就来记录一下感知机对偶形式的的数学模型 一 感知机
机器学习笔记
机器学习
人工智能
算法
机器学习笔记--2.1文本分类
从分类算法层面来看 各类语言的文本分类技术大同小异 但从整个流程来考察 不同语言的文本处理所用到的技术还是有差别的 下面给出中文语言的文本分类技术和流程 主要包括以下几个步骤 1 预处理 去除文本的噪声信息 例如HTML标签 文本格式转换
机器学习笔记
机器学习
分类
自然语言处理
岭回归(Ridge)和Lasso 回归(笔记)
最近在自学图灵教材 Python机器学习基础教程 在csdn以博客的形式做些笔记 对于回归问题 线性模型预测的一般公式如下 w 0 x 0 w 1 x 1 w p x p b 这里 x 0 到 x p 表示单个数据点的特征 本例中特征个数为
机器学习笔记
回归
机器学习
算法
逻辑回归( LogisticRegression)和线性支持向量机(LinearSVC)
最近在自学图灵教材 Python机器学习基础教程 在csdn以博客的形式做些笔记 线性分类模型 线性模型不仅用于回归问题 也广泛应用于分类问题 我们首先来看二分类 这时可以利用下面的公式进行 预测 y w 0 x 0 w 1 x 1 w p
机器学习笔记
支持向量机
逻辑回归
机器学习
python机器学习——图像内容分析
计算机视觉 计算机视觉是一门研究如何使机器 看 的科学 更进一步的说 就是是指用摄影机和电脑代替人眼对目标进行识别 跟踪和测量等机器视觉 并进一步做图形处理 使电脑处理成为更适合人眼观察或传送给仪器检测的图像 计算机视觉包括多个级别的分析
机器学习笔记
python机器学习
图像内容分析
人脸检测
机器学习笔记--1.6数据可视化
1 表与线性结构的可视化 Python提供四种容器结构 list dict set tuple来装载数据 其中线性结构有两种 list和tuple 由于tuple是只读结构 仅用于外部生成器生成的数据 所以最常用的线性结构就是list im
机器学习笔记
机器学习
python
数据挖掘
机器学习笔记: 时间序列 分解 STL
1 前言 STL Seasonal and Trend decomposition using Loess 是以LOSS 作为平滑方式的时间序列分解 LOSS可以参考机器学习笔记 xff1a 局部加权回归 LOESS UQI LIUWJ的博
STL
机器学习笔记
时间序列
机器学习笔记
一 绪论 1 监督学习 给定一个数据集 xff0c 且已经表明了 正确答案 1 1回归问题 xff1a 预测一个连续值输出 xff1b 分类问题 xff1a 预测一个离散值输出 2 无监督学习 给定一个未表明意义的数据集 xff0c 将其分
机器学习笔记
spark机器学习笔记:(一)Spark Python初探
声明 xff1a 版权所有 xff0c 转载请联系作者并注明出处 http blog csdn net u013719780 viewmode 61 contents 博主简介 xff1a 风雪夜归子 xff08 英文名 xff1a All
spark
python
机器学习笔记