2018年12月7日
mnist手写数字识别(Logistic回归)
摘要： import numpy as np from sklearn.neural_network import MLPClassifier from sklearn.linear_model import LogisticRegression from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection im... 阅读全文
posted @ 2018-12-07 11:12 magicalzh 阅读(1688) 评论(0) 推荐(0)
mnist手写数字识别(神经网络)
摘要： import numpy as np from sklearn.neural_network import MLPClassifier path = 'mnist.npz' f = np.load(path) X_train , y_train = f['x_train'], f['y_train'] X_test , y_test = f['x_test'], f['y_test'] ... 阅读全文
posted @ 2018-12-07 10:19 magicalzh 阅读(883) 评论(0) 推荐(0)
2018年11月24日
利用HOG+SVM实现行人检测
摘要： 利用HOG+SVM实现行人检测 很久以前做的行人检测，现在稍加温习，上传记录一下。 首先解析视频，提取视频的每一帧形成图片存到磁盘。代码如下 对于图片的行人检测应用了梯度方向直方图和支持向量机。代码如下 这段代码可以实现对行人的标记。 在这里应用了非极大值抑制方法(NMS),处理了重叠标记的问题。但 阅读全文
posted @ 2018-11-24 21:09 magicalzh 阅读(6251) 评论(0) 推荐(0)
2018年10月28日
shell 判断日期间隔及润年
摘要： #!/bin/bash test.sh until echo "----------------------------------" echo "请输入您的选择:" echo "(1) 显示当前时间" echo "(2) 判断是否是润年" echo "(3) 时间间隔" echo "(4) 退出" echo "-----------------... 阅读全文
posted @ 2018-10-28 14:21 magicalzh 阅读(824) 评论(0) 推荐(0)
2018年7月6日
总结
摘要： 用了将近一学期，学完了机器学习这本书，笔记有不少不完整的地方，部分代码没有上传。对于机器学习，主要理解了其思想，一些数学推理和证明不太严谨。这个假期具体整理一下。 阅读全文
posted @ 2018-07-06 14:39 magicalzh 阅读(144) 评论(0) 推荐(0)
K-means算法实现
摘要： [TOC] K means 结果如下 阅读全文
posted @ 2018-07-06 14:36 magicalzh 阅读(120) 评论(0) 推荐(0)
第九章 聚类
摘要： [TOC] 第九章 聚类任务 聚类任务，简而言之就是无监督学习，训练数据没有标签，目的是为了分类。 无监督学习 现实生活中常常会有这样的问题：缺乏足够的先验知识，因此难以人工标注类别或进行人工类别标注的成本太高。很自然地，我们希望计算机能代我们完成这些工作，或至少提供一些帮助。根据类别未知(没有被标 阅读全文
posted @ 2018-07-06 14:33 magicalzh 阅读(588) 评论(0) 推荐(0)
第六章 支持向量机
摘要： [TOC] 第六章 支持向量机 6.1 支持向量机 支持向量机不是一个“机”，而是一个算法。 通过寻找超平面，是一个很好的分类算法。 这个算法是在所有符合条件的超平面中选择最鲁棒的，即泛化能力最强。 6.2 寻找超平面的方法 支持向量机在样本属性只有两个的时候的任务是找一条线，在属性有三个的时候就是 阅读全文
posted @ 2018-07-06 14:30 magicalzh 阅读(157) 评论(0) 推荐(0)
BP神经网络
摘要： [TOC] BP神经网络 迭代过程如图 因为样本量比较少，学习结果比较弱。 调整参数可得，学习率决定步长，过大会导致无法逼近极小值，会在极小值附近波动。过小则会增加学习的时间，所以要调试恰当的学习率。 训练精度越高，迭代次数越多，时间越长。 调试程序可知，学习次数是不固定的，与学习优化算法有关。 然 阅读全文
posted @ 2018-07-06 14:29 magicalzh 阅读(445) 评论(0) 推荐(0)
第五章(续)
摘要： [TOC] 这周仔细学了一下神经网络，主要是反向传播算法。 第五章 神经网络 1.Cost function 代价函数用来衡量假设函数的准确性。 形式如下： 神经网络的目的是通过学习，令代价函数的值尽可能小。常用的方法有梯度下降等优化方法。梯度下降可以通过学习获得极小值，来获得较为可靠的模型。 2. 阅读全文
posted @ 2018-07-06 14:27 magicalzh 阅读(152) 评论(0) 推荐(0)