2019年1月23日
KL散度
摘要： 转自：http://www.cnblogs.com/hxsyl/p/4910218.html 一、第一种理解 相对熵（relative entropy）又称为KL散度（Kullback–Leibler divergence，简称KLD），信息散度（information divergence），信息 阅读全文
posted @ 2019-01-23 23:00 Python少年 阅读(5076) 评论(0) 推荐(0)
2019年1月18日
SRCNN
摘要： SRCNN（超分辨率卷积神经网络） 网络结构 l Conv1: f1 = 9 *9 activation = ‘relu’ l Conv2: f2 = 1 *1 activation = ‘relu’ #为了非线性映射 增强非线性 l Conv3: f3 = 5 * 5 activation = ‘ 阅读全文
posted @ 2019-01-18 21:11 Python少年 阅读(4683) 评论(2) 推荐(0)
2018年12月18日
最近邻插值
摘要： 最近邻插值原理： 使用最近邻插值： 源图片(simg)=目标图片(dimg)*缩放系数(k), 缩放系数k = 源图片尺寸/目标图片由上，对图片分x、y轴 ：sx = dx*k sy = dy *k 思路：初始化目标size的图片，然后根据位置计算目标图片对应于原图片的位置索引，索引结果四舍五入也就 阅读全文
posted @ 2018-12-18 10:01 Python少年 阅读(3566) 评论(0) 推荐(0)
2018年11月18日
SVD
摘要： 一，引言 我们知道，在实际生活中，采集到的数据大部分信息都是无用的噪声和冗余信息，那么，我们如何才能剔除掉这些噪声和无用的信息，只保留包含绝大部分重要信息的数据特征呢？ 除了上次降到的PCA方法，本次介绍另外一种方法，即SVD。SVD可以用于简化数据，提取出数据的重要特征，而剔除掉数据中的噪声和冗余 阅读全文
posted @ 2018-11-18 13:54 Python少年 阅读(1389) 评论(0) 推荐(0)
PCA
摘要： 一，引言 降维是对数据高维度特征的一种预处理方法。降维是将高维度的数据保留下最重要的一些特征，去除噪声和不重要的特征，从而实现提升数据处理速度的目的。在实际的生产和应用中，降维在一定的信息损失范围内，可以为我们节省大量的时间和成本。降维也成为了应用非常广泛的数据预处理方法。 降维具有如下一些优点： 阅读全文
posted @ 2018-11-18 11:24 Python少年 阅读(825) 评论(0) 推荐(0)
2018年11月14日
Apriori
摘要： 基本概念 项与项集：设itemset={item1, item_2, …, item_m}是所有项的集合，其中，item_k(k=1,2,…,m)成为项。项的集合称为项集（itemset），包含k个项的项集称为k项集(k-itemset)。 事务与事务集：一个事务T是一个项集，它是itemset的一 阅读全文
posted @ 2018-11-14 18:59 Python少年 阅读(453) 评论(0) 推荐(0)
2018年11月10日
K均值
摘要： K-means算法的工作流程 首先，随机确定k个初始点的质心；然后将数据集中的每一个点分配到一个簇中，即为每一个点找到距其最近的质心，并将其分配给该质心所对应的簇；该步完成后，每一个簇的质心更新为该簇所有点的平均值。伪代码如下： 再看实际的代码： 需要说明的是，在算法中，相似度的计算方法默认的是欧氏 阅读全文
posted @ 2018-11-10 14:46 Python少年 阅读(1487) 评论(0) 推荐(0)
2018年11月9日
树回归
摘要： 一，引言 尽管线性回归包含了一些强大的方法，但这些方法创建的模型需要拟合所有的样本数据。当数据拥有众多特征并且特征之间的关系比较复杂时，构建全局线性模型就会非常困难。并且，在实际生活中很多问题都是非线性的，很难通过全局线性模型来拟合所有数据。 解决上述非线性数据的拟合问题的一个可行的方法是，将数据集 阅读全文
posted @ 2018-11-09 15:29 Python少年 阅读(806) 评论(0) 推荐(0)
机器学习实战之回归
摘要： 转自：https://www.cnblogs.com/zy230530/p/6942458.html 一，引言 前面讲到的基本都是分类问题，分类问题的目标变量是标称型数据，或者离散型数据。而回归的目标变量为连续型，也即是回归对连续型变量做出预测，最直接的办法是依据输入写出一个目标值的计算公式，这样， 阅读全文
posted @ 2018-11-09 10:33 Python少年 阅读(2276) 评论(0) 推荐(0)
Adaboost
摘要： Adaboost算法概述 Adaboost算法核心思想：“三个臭皮匠赛过一诸葛亮”。我们平常构建的分类模型可以说是弱分类器，若将这些弱分类器组合起来可以成为一个强分类器。大多数的提升方法是该表训练数据的概率分布（训练数据的权值分布），针对不同的训练数据分布调用弱学习算法学习。 如何改变训练数据的权值 阅读全文
posted @ 2018-11-09 08:43 Python少年 阅读(342) 评论(0) 推荐(0)