一、高斯核函数、高斯函数 μ：期望值，均值，样本平均数；（决定告诉函数中心轴的位置：x = μ） σ2：方差；（度量随机样本和平均值之间的偏离程度：， 为总体方差， 为变量， 为总体均值， 为总体例数） σ：标准差；（反应样本数据分布的情况：σ 越小高斯分布越窄，样本分布越集中；σ 越大高斯分布越宽 ...
分类：
其他好文 时间：
2018-08-13 19:38:54
阅读次数：
2933
操作系统通过系统调用为运行于其上的进程提供服务。 当用户态进程发起一个系统调用， CPU 将切换到 内核态 并开始执行一个 内核函数 。 内核函数负责响应应用程序的要求，例如操作文件、进行网络通讯或者申请内存资源等。 原文地址： "https://learn linux.readthedocs.io ...
分类：
系统相关 时间：
2018-08-06 19:18:26
阅读次数：
211
总结了如下表格: 模型种类模型图示补充 线性模型 一般线性模型: , x为向量向量时: 多维基函数构造: 1.乘法模型: 2.加法模型: 二者对比:乘法模型表现力丰富,但易引入维数灾难;加法模型参数个线性增长,但表现力不足: 核模型 一般核模型:高斯核函数: 一维高斯核模型: 二维高斯核模型: 带宽 ...
分类：
其他好文 时间：
2018-08-05 13:07:06
阅读次数：
171
meanshift可以被用来做目标跟踪和图像分割。 参考《Mean Shift：A Robust Approach Toward Feature Space Analysis》 公式就不写了。meanshift其实原理挺简单的，就是随便找个种子点，然后开始在该种子点邻域内寻找其目标点的密度中心，那么 ...
分类：
其他好文 时间：
2018-08-04 18:59:05
阅读次数：
132
SVM有如下主要几个特点： (1)非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射； (2)对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心； (3)支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量。 (4)SVM ...
分类：
其他好文 时间：
2018-07-31 21:37:15
阅读次数：
208
SVM有很多种实现，但是本章只关注其中最流行的一种实现，即序列最小化（SMO）算法在此之后，我们将介绍如何使用一种称为核函数的方式将SVM扩展到更多的数据集上基于最大间隔的分割数据优点：泛化错误率低，计算开销不大，结果易解释缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题适 ...
分类：
编程语言 时间：
2018-07-23 14:49:56
阅读次数：
175
一、相同点 第一，LR和SVM都是分类算法（SVM也可以用与回归） 第二，如果不考虑核函数，LR和SVM都是线性分类算法，也就是说他们的分类决策面都是线性的。 这里要先说明一点，那就是LR也是可以用核函数的。总之，原始的LR和SVM都是线性分类器，这也是为什么通常没人问你决策树和LR什么区别，你说一 ...
分类：
其他好文 时间：
2018-07-12 22:44:15
阅读次数：
183
序 SVM支持向量机作为统计分类和回归分析中的重要方法，其理论推导难度较大，根据自己查阅的相关资料，按照问题理解、待处理数据是否可分的判断、主要推导过程、核函数的选择及推导、核函数的选择原则、python实现的相关方法、超参数调优等内容，以粗线条的方式，总结如下要点，方便查阅和易于理解： 1.问题分 ...
分类：
其他好文 时间：
2018-07-06 12:20:36
阅读次数：
149
决策边界：支持向量机其实就是点集(正负类离超平面最近的点集) 算法思想：1)求数据集到超平面间隔最小值 2)最小间隔最大化 点到超平面距离： 决策方程： 优化目标: 放缩变换： 优化目标变为： 求解过程： 求解实例： 低维度不可分解决办法：利用核函数将低纬数据映射到高纬度，超平面划分 低纬映射高纬例 ...
分类：
其他好文 时间：
2018-07-02 20:25:26
阅读次数：
190
安装 1、C语言库函数基本的帮助文档 2、POSIX函数帮助文档 3、内核函数 查看 1、系统函数 2、标准库 ...
分类：
编程语言 时间：
2018-06-30 10:54:40
阅读次数：
315
