他的首页
他的馆藏
他的动态
馆友反馈
关于他
| 共 21 篇文章 |
|
比如ISO200的感光度比ISO100感光度的感光速度提高1倍，而 ISO400的感光度比ISO200的感光度提高1倍，而比ISO100的感光度提高4倍，并依次类推。快门速度是数码相机快门的重要考察参数，各个不同型号的数码相机的快门速度是完全不一样的，因此在使用某个型号的数码相机来拍摄景物时，一定要先了解其快门的速度，因为按快门时只有考虑了快门的启动... 阅327 转4 评0 公众公开 10-11-25 15:51 |
3.1.2 AdaBoost算法原理。AdaBoost算法针对不同的训练集训练同一个基本分类器（弱分类器），然后把这些在不同训练集上得到的分类器集合起来，构成一个更强的最终的分类器（强分类器）。最开始的时候，每个样本对应的权重是相同的，在此样本分布下训练出一个基本分类器h1(x)。在新的样本分布下，再次对基本分类器进行训练，得到基本分类器h2(x)... 阅351 转4 评0 公众公开 10-11-24 20:49 |
SVM入门（四）线性分类器的求解——问题的描述Part1上节说到我们有了一个线性分类函数，也有了判断解优劣的标准——即有了优化的目标，这个目标就是最大化几何间隔，但是看过一些关于SVM的论文的人一定记得什么优化的目标是要最小化||w||这样的说法，这是怎么回事呢？回头再看看我们对间隔和几何间隔的定义：如果直接来解这个求最小值问题，很... 阅12 转自贤人好客 公众公开 10-11-03 15:08 |
H，H1，H2是根据给的样本算出来的分类面，由于负类的样本很少很少，所以有一些本来是负类的样本点没有提供，比如图中两个灰色的方形点，如果这两个点有提供的话，那算出来的分类面应该是H''，H2''和H1，他们显然和之前的结果有出入，实际上负类给的样本点越多，就越容易出现在灰色点附近的点，我们算出的结果也就越接近于真实... 阅4 转自funson 公众公开 10-11-03 15:07 |
现在我们已经把一个本来线性不可分的文本分类问题，通过映射到高维空间而变成了线性可分的。三是惩罚因子C决定了你有多重视离群点带来的损失，显然当所有离群点的松弛变量的和一定时，你定的C越大，对目标函数的损失也越大，此时就暗示着你非常不愿意放弃这些离群点，最极端的情况是你把C定为无限大，这样只要稍有一个点离群，目标函数的值马上... 阅19 转自funson 公众公开 10-11-03 15:05 |
特征提取特征提取（转）2009-11-12 11:29.常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。统计方法中另一种典型方法，则是从图像的自相关函数（即图像的能量谱函数）提取纹理特征，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数。提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割... 阅1053 转29 评0 公众公开 10-11-03 11:46 |
然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；一般都采用均方差作为标准测度函数. k个聚类具有以下特点... 阅2472 转33 评0 公众公开 10-11-03 11:35 |
阅12077 转231 评0 公众公开 10-11-03 11:33 |
在进行文本分类的时候，我们可以让计算机这样来看待我们提供给它的训练样本，每一个样本由一个向量（就是那些文本特征所组成的向量）和一个标记（标示出这个样本属于哪个类别）组成。之所以如此关心几何间隔这个东西，是因为几何间隔与样本的误分次数间存在关系：其中的d是样本集合到分类面的间隔，R=max ||xi|| i=1,...,n，即R是所有样本中（... 阅74 转自贤人好客 公众公开 10-10-25 04:22 |
支持向量机 - 在超平面上的样本点也称为支持向量.其中ci为1或 1 --用以表示数据点属于哪个类. 是一个p (统计学符号), 或 n (计算机科学符号) 维向量，其每个元素都被缩放到[0,1]或[-1,1].缩放的目的是防止方差大的随机变量主导分类过程.我们可以把这些数据称为训练数据,希望我们的支持向量机能够通过一个超平面正确的把他们分开.超平面的... 阅487 转自理想的天空 公众公开 10-10-25 03:51 |
