随笔分类 -  机器学习

机器学习论文笔记（7）
摘要：一种基于低秩表示的子空间聚类改进算法 摘要：该文针对现有的基于低秩表示的子空间聚类算法使用核范数来代替秩函数，不能有效地估计矩阵的秩和对高斯噪声敏感的缺陷，提出一种改进的算法，旨在提高算法准确率的同时，保持其在高斯噪声下的稳定性。在构建目标函数时，使用系数矩阵的核范数和Forbenius 范数作为正 阅读全文
posted @ 2020-06-02 00:51 _Cheung 阅读(546) 评论(0) 推荐(1)
机器学习论文笔记（6）
摘要：稀疏子空间聚类综述 摘要：本文对已有稀疏子空间聚类方法的模型、算法和应用等方面进行详细阐述, 并分析存在的不足, 指出进一步研究的方向 。 稀疏子空间聚类： 1.对于给定的一组数据，建立子空间表示模型 2.寻找数据在低维子空间中的表示系数 3.根据表示系数矩阵构造相似度矩阵（也称关联矩阵：用一个矩阵 阅读全文
posted @ 2020-05-30 17:43 _Cheung 阅读(633) 评论(0) 推荐(0)
机器学习论文笔记（5）
摘要：Self-Supervised Convolutional Subspace Clustering Network 摘要：基于数据自表达的子空间聚类方法已经成为从低维线性子空间的集合中学习数据的一种非常流行的方法。然而，子空间聚类的适用性受到了限制，因为原始形式的实际可视数据不一定位于这样的线性子空 阅读全文
posted @ 2020-05-27 18:06 _Cheung 阅读(481) 评论(0) 推荐(0)
机器学习论文笔记（4）
摘要：基于分块集成的图像聚类算法 摘要：基于谱聚类的子空间聚类算法已经显示出良好的效果，但是传统的子空间聚类算法需要将图像进行向量化处理，而这种向量化会导致图像本身携带的二维结构信息的丢失。为了减少这种信息的丢失，文中提出了基于分块集成的图像聚类算法。首先，将图像数据分为若干矩阵块；然后，利用核范数矩阵回 阅读全文
posted @ 2020-05-22 17:05 _Cheung 阅读(337) 评论(0) 推荐(0)
机器学习论文笔记（3）
摘要：Robust Structured Subspace Learning for Data Representation Abstract:To uncover an appropriate latent subspace for data representation, in this paper 阅读全文
posted @ 2020-05-21 14:43 _Cheung 阅读(284) 评论(0) 推荐(0)
机器学习论文笔记（2）
摘要：Sparse Subspace Clustering:Algorithm, Theory, and Applications. Abstract:Many real-world problems deal with collections of high-dimensional data, such 阅读全文
posted @ 2020-05-20 11:03 _Cheung 阅读(312) 评论(0) 推荐(0)
机器学习论文笔记（1）
摘要：融合关联矩阵自学习和显式秩约束的数据表示分簇算法 摘要：复杂异构分布的高维数据在大数据时代随处可见，高效地挖掘其子空间结构并进行准确的分簇是机器视觉和模式识别领域的研究热点，低秩表示算法（LRR）因其优越的低维子空间挖掘能力而倍受关注，其性能很大程度上取决于关联矩阵的构建，常见的方法都是通过原始输入 阅读全文
posted @ 2020-05-19 14:55 _Cheung 阅读(361) 评论(0) 推荐(0)
范数笔记
摘要：转载自： http://www.zhihu.com/question/20473040/answer/102907063 1-范数： ，即向量元素绝对值之和，matlab调用函数norm(x, 1) 。 2-范数： ，Euclid范数（欧几里得范数，常用计算向量长度），即向量元素绝对值的平方和再开方 阅读全文
posted @ 2020-03-14 18:51 _Cheung 阅读(149) 评论(0) 推荐(0)
机器学习实战：在某约会网站上使用k-近邻算法
摘要：一、步骤 1.收集数据：提供数据的文本文件 2.准备数据：使用python解析文本文件 3.分析数据：使用matplotlib画二维扩散图 4.测试算法 5.使用算法 二、准备数据：从文本中解析数据 创建一个函数用来处理输入的格式问题 用到的小知识点有： 1.zeros（）函数 在给数组赋初始值的时 阅读全文
posted @ 2020-03-03 19:17 _Cheung 阅读(219) 评论(0) 推荐(0)
机器学习实战之k-近邻算法
摘要：一、工作原理：存在一个样本数据集合，也称为训练样本集，并且样本集中的每个数据都存在标签，即我们知道样本集中的每一个数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中的数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，只选择样本数据集 阅读全文
posted @ 2020-03-01 16:43 _Cheung 阅读(228) 评论(0) 推荐(0)

← → ↓ ↑