码迷,mamicode.com
首页 >  
搜索关键字:分类器    ( 1373个结果
基于朴素贝叶斯的花生品种识别
最近一段时间,正在学习机器学习与模式识别,为了验证算法,仍然用了之前做过的项目的一些图片作为数据采集的样本,进行数据采集。前段时间,做了一个花生籽粒的识别程序,是基于SVM+HOG的,这次则是采用朴素贝叶斯来进行识别。采集了20个品种,每个品种50个样本,共1K个数据。 朴素贝叶斯分类器(Naive Bayes Classifier,或 NBC)发源于古典数学理论,有着坚实的数学基础,以及稳...
分类:其他好文   时间:2015-01-27 20:25:03    阅读次数:224
【cs229-Lecture8】顺序最小优化算法
ref: blog:http://zhihaozhang.github.io/2014/05/20/svm4/ 《数据挖掘导论》 真正的大神是当采用的算法表现出不是非常好的性能的时候,懂得如何去更改算法的人。 本节课的三个内容: Kernels:核,用于构建非线性的分类器 Soft Margin:软...
分类:编程语言   时间:2015-01-25 11:02:21    阅读次数:261
联合多个手势分类器做的猜拳游戏
经过多天的努力,做出几个分类器然后利用下面代码进行组合调用,虽然效果不是很好,但是已经算是进步了。 1 #define _CRT_SECURE_NO_WARNINGS 2 //手势检测器测试代码 3 #include"iostream" 4 #include"highgui.h" 5 #i...
分类:其他好文   时间:2015-01-24 06:45:42    阅读次数:211
目标检測的图像特征提取之(一)HOG特征
1、HOG特征: 方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检測的特征描写叙述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中,尤其在行人检測中...
分类:其他好文   时间:2015-01-23 18:09:51    阅读次数:230
支持向量机SVM进阶
本文适合于对SVM基本概念有一点了解的童鞋。 SVM基本概念: 最大边缘平面——基本原理:结构风险最小化 分类器的泛化误差 支持向量 问题描述: 请对一下数据,利用svm对其进行分类。 最终任务: 找到最优超平面 图1 看到这张...
分类:其他好文   时间:2015-01-23 17:57:17    阅读次数:301
数据挖掘十大经典算法(9) 朴素贝叶斯分类器 Naive Bayes
贝叶斯分类器 贝叶斯分类器的分类原理是通过某对象的先验概率,利用贝叶斯公式计算出其后验概率,即该对象属于某一类的概率,选择具有最大后验概率的类作为该对象所属的类。眼下研究较多的贝叶斯分类器主要有四种,各自是:Naive Bayes、TAN、BAN和GBN。 贝叶斯网络是一个带有概率...
分类:编程语言   时间:2015-01-21 14:57:37    阅读次数:405
机器学习基础-Logistic回归2
随机梯度上升法--一次仅用一个样本点来更新回归系数(因为可以在新样本到来时对分类器进行增量式更新,因而属于在线学习算法)梯度上升法在每次更新回归系统时都需要遍历整个数据集,该方法在处理100个左右的数据集时尚可,但如果有数十亿样本和成千上万的特征,那么该方法的计算复杂度太高了。随机梯度上升算法伪代码...
分类:其他好文   时间:2015-01-20 20:05:00    阅读次数:265
乳腺癌分类器及数据样本验证
乳腺癌分类器及数据样本验证ByTobyQQ:231469242欢迎爱好者交流,并改进代码数据下载地址ucimachinelearing/breastcancer词汇:Malignancy恶性biopsy活组织检查benign良性的diagnosis诊断periodicexamination定期检查C...
分类:其他好文   时间:2015-01-19 22:16:09    阅读次数:255
简单分类器的python代码实现
本文是stanford大学课程:Convolutional Neural Networks for Visual Recognition 的一些笔记与第一次作业。主要内容为简单(多类)分类器的实现:KNN, SVM, softmax。softmax与SVM的一点区别,其中一张PPT说明:KNN部分框...
分类:编程语言   时间:2015-01-18 02:01:23    阅读次数:1137
python中的几种集成分类器
几种集成分类器介绍
分类:编程语言   时间:2015-01-16 12:58:58    阅读次数:3195
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!