介绍
这里的方法是根据颜色直方图的方式进行人脸或者特定物体的跟踪的，具体步骤是首先计算指定区域的色彩直方图，然后再根据该色彩直方图对整个图片区域进行反投影计算，得到的是该图片中复合指定区域色彩直方图分布的概率分布，最终通过多次迭代，得到一个输出的目标窗口。...
分类：
其他好文 时间：
2014-11-14 10:48:07
阅读次数：
281
狄利克雷聚类算法 前面介绍的三种聚类算法都是基于划分的，下面我们简要介绍一个基于概率分布模型的聚类算法，狄利克雷聚类（Dirichlet Processes Clustering）。 首先我们先简要介绍一下基于概率分布模型的聚类算...
分类：
编程语言 时间：
2014-11-13 16:57:10
阅读次数：
306
在图论和网络中，度（degree）是指网络（图）中一个点的与其他点的连接数量，度分布（Degree Distribution）就是整个网络中，各个点的度数量的概率分布。 对于有向图，有入度（in-degree）和出度（out-degree），入度是指指向该节点的边的数量，出度是指从该节点出发指...
分类：
其他好文 时间：
2014-11-12 00:22:55
阅读次数：
329
Metropolis Hasting Algorithm:MH算法也是一种基于模拟的MCMC技术，一个非常重要的应用是从给定的概率分布中抽样。主要原理是构造了一个精妙的Markov链，使得该链的稳态 是你给定的概率密度。它的优点，不用多说，自然是能够对付数学形式复杂的概率密度。有人说，单维的MH算法...
分类：
编程语言 时间：
2014-11-08 14:58:14
阅读次数：
201
1.概念和机制 朴素贝叶斯分类法假定类条件独立。当假定成立时，与其他所有分类器相比，朴素贝叶斯分类器是最准确的。然而，在实践中，变量之间可能存在依赖关系。贝叶斯信念网络说明联合条件概率分布。它允许在变量的子集间定义类条件独立性。它提供一种因果关系的图形模型，可以在其上进行学习。训练后的贝叶斯信念网....
分类：
其他好文 时间：
2014-11-07 18:36:30
阅读次数：
283
机器学习算法原理、实现与实践——机器学习的三要素1 模型在监督学习中，模型就是所要学习的条件概率分布或决策函数。模型的假设空间包含所有可能的条件概率分布或决策函数。例如，假设决策函数是输入变量的线性函数，那么模型的假设空间就是这些线性函数构成的函数的集合。假设空间用$\mathcal{F}$表示。假...
分类：
其他好文 时间：
2014-10-31 09:57:04
阅读次数：
4030
基础知识描述：联合概率：定义：指在多元的概率分布中多个随机变量同时满足各自条件的概率。举例：假设X和Y都服从正态分布，那么P{X P（A|B） = P(B|A) * P(A) / P(B)故：贝叶斯法则是关于随机事件A和B的条件概率和边缘概率的。P（A|B） = P(B|A) * P(A) / P(...
分类：
其他好文 时间：
2014-10-24 18:35:48
阅读次数：
127
Metropolis Hasting Algorithm:MH算法也是一种基于模拟的MCMC技术，一个非常重要的应用是从给定的概率分布中抽样。主要原理是构造了一个精妙的Markov链，使得该链的稳态 是你给定的概率密度。它的优点，不用多说，自然是能够对付数学形式复杂的概率密度。有人说，单维的MH算法...
分类：
编程语言 时间：
2014-10-23 14:23:22
阅读次数：
210
对于一个离散的随机变量x,当我们观察到它的一个值，能给我们带来多少信息呢？这个信息量可以看做是我们观察到x的这个值带来的惊讶程度。我们被告知一个不太可能发生的事发生了要比告知一个非常可能发生的事发生，我们获得信息要多。 所以信息量的多少依赖于概率分布p(x)，所以我们可以用关于p(x)的一个函数来....
分类：
其他好文 时间：
2014-10-19 21:21:44
阅读次数：
185
Metropolis Hasting Algorithm:MH算法也是一种基于模拟的MCMC技术，一个非常重要的应用是从给定的概率分布中抽样。主要原理是构造了一个精妙的Markov链，使得该链的稳态 是你给定的概率密度。它的优点，不用多说，自然是能够对付数学形式复杂的概率密度。有人说，单维的MH算法...
分类：
编程语言 时间：
2014-10-16 20:08:53
阅读次数：
273
