Mat_<double> temp1(10, 3); Mat_<double> mean1, cov1; temp1(0, 0) = 49; temp1(0, 1) = 7; temp1(0, 2) = 29; temp1(1, 0) = 8; temp1(1, 1) = 19; temp1(1, ...
分类：
其他好文 时间：
2016-11-22 17:54:14
阅读次数：
586
期望 离散型随机变量的一切可能的取值xi与对应的概率Pi(=xi)之积的和称为该离散型随机变量的数学期望（设级数绝对收敛），记为 E（x）。随机变量最基本的数学特征之一。它反映随机变量平均取值的大小。又称期望或均值。 若随机变量X的分布函数F(x)可表示成一个非负可积函数f(x)的积分，则称X为连续 ...
分类：
其他好文 时间：
2016-11-14 17:24:57
阅读次数：
124
在模式识别与机器学习中，高斯函数，特别是多维的高斯函数占着非常重要的地位。而其中高斯函数对均值和协方差矩阵的求导尤为重要，因为在用ML、MAP 或者其他方法计算最优值的时候，都会用到高斯函数的求导。虽然对均值求导的过程以及形式在很多博客中都有，但是对协方差矩阵求导的推导甚至是形式都寥寥无几。所以这里... ...
分类：
其他好文 时间：
2016-11-10 02:22:29
阅读次数：
944
理解协方差矩阵的关键就在于牢记它计算的是不同维度之间的协方差，而不是不同样本之间，拿到一个样本矩阵，我们最先要明确的就是一行是一个样本还是一个维度，心中明确这个整个计算过程就会顺流而下，这么一来就不会迷茫了 浅谈协方差矩阵 今天看论文的时候又看到了协方差矩阵这个破东西，以前看模式分类的时候就特困扰， ...
分类：
其他好文 时间：
2016-10-27 12:34:02
阅读次数：
206
在生成模型中讲到了，可以利用手头的数据，假设数据是满足高斯分布，且是不同的均值，但是同一个协方差矩阵，基于贝叶斯的判别式，可以得到 p(c1|x)>0.5 是第一类 p(c1|x)可以转化为sigmod(z)=w*x +b ...
分类：
其他好文 时间：
2016-10-19 02:34:28
阅读次数：
118
一、统计学的基本概念 统计学里最基本的概念就是样本的均值、方差、标准差。首先，我们给定一个含有n个样本的集合，下面给出这些概念的公式描述： 均值： 标准差： 方差： 均值描述的是样本集合的中间点，它告诉我们的信息是有限的，而标准差给我们描述的是样本集合的各个样本点到均值的距离之平均。 以这两个集合为 ...
分类：
其他好文 时间：
2016-10-13 02:05:00
阅读次数：
221
直接给出多元高斯分布和单元高斯分布的概率密度函数： μ是一个D维均值向量，Σ是一个D×D的协方差矩阵，我们只考虑正定矩阵（所有特征值都是正数），即|Σ|>0；多元高斯分布和单态量高斯分布尽管在形式上不同，但实际上单态高斯是维数为1的多元高斯分布：当D=1时，Σ是一个1×1的矩阵（即退化为一个数），| ...
分类：
其他好文 时间：
2016-10-07 13:22:48
阅读次数：
196
1.重要的统计量 2.协方差 3.Pearson相关系数 4.协方差矩阵 5.相关系数矩阵 用来发现特征的相关性 6.独立与不相关 7.矩 8.重要的定理与不等式 ①Jenson不等式 ②切比雪夫不等式 ③大数定理 ④伯努利定理 ⑤中心极限定理 9.参数估计 ①矩估计 ②极大似然估计 ...
分类：
其他好文 时间：
2016-07-19 22:09:45
阅读次数：
118
介绍了Eigen人脸识别中的两个理论基础，协方差矩阵和Jacobi迭代法求特征值及特征向量，并介绍算法实现时用到的关键函数，及人脸识别的主要过程，最后结合AT&T人脸库给出了示例代码！ ...
分类：
编程语言 时间：
2016-07-07 19:40:58
阅读次数：
1979
一、折线图分析法和散列图分析法 二、协方差（两个参数）与协方差矩阵（参数大于两个） 三、相关系数法（可以直接用excel求相关系数） 四、一元回归（两个参数）和多元回归（多余两个参数） 五、信息熵及互信息 互信息指的是两个随机变量之间的关联程度，即给定一个随机变量后，另一个随机变量不确定性的削弱程度 ...
分类：
其他好文 时间：
2016-07-01 22:53:59
阅读次数：
215
