一、引言 分类算法有很多，不同分类算法又用很多不同的变种。不同的分类算法有不同的特定，在不同的数据集上表现的效果也不同，我们需要根据特定的任务进行算法的选择，如何选择分类，如何评价一个分类算法的好坏，前面关于决策树的介绍，我们主要用的正确率（accuracy）来评价分类算法。 正确
RNN经典案例-构建人名分类器 前言Step1 - 数据处理Step2 - 定义网络结构Step3 - 定义损失函数Step4 - 定义优化器Step5 - 模型训练Step6 - 验证模型效果Step7 - 模型保存Step8 - 结果展示Step9 - 模型加载Step10 - 完整代码 前言 数据集下载地址：https://download.pytorch
原文地址：一只鸟的天空，http://blog.csdn.net/heyongluoyao8/article/details/49408131 在分类中如何处理训练集中不平衡问题 在很多机器学习任务中，训练集中可能会存在某个或某些类别下的样本数远大于另一些类别下的样本数目。即类别不平衡，为了使得学习达到更好的效果，因此需要
监督学习的目标 利用一组带有标签的数据，学习从输人到输出的映射，然后将这种映射关系应用到未知数据上，达到分类或回归的目的。 分类：当输出是离散的，学习任务为分类任务。 回归：当输出是连续的，学习任务为回归任务。 分类 分类任务： 分类学习 输人：一组有标签的训练数据（也称观察和评
一、实验简介: 本次数据集很经典，实验本身是基于SVM支持向量机技术对数据集Iris进行特征分类。实验采取Sklearn函数库来实现SVM，并使用SVM对提取好的特征进行分类，结果的展示方面进行了数据可视化保证观测结果清晰可见。 首先，Iris数据集的中文名是安德森鸢尾花卉数据集，Iris包含1
A Stacked Auto-Encoder Based Partial Adversarial Domain Adaptation Model for Intelligent Fault Diagnosis of Rotating Machines 摘要网络模型三级目录 摘要 故障诊断在旋转机械的预测与健康管理中具有不可或缺的作用。近年来，基于领域自适应技术的智能故障诊断方
朴素贝叶斯分类器 首先要清楚朴素贝叶斯分类器是基于“属性条件独立性假设”，即所有属性相互独立，换句话说就是，假设每个属性独立的对分类结果产生影响。 显然，朴素贝叶斯分类器的训练过程就是基于训练集D来估计类先验概率 P(C）,并为每个属性估计条件概率P(xi | c）。说到底，朴素贝叶
环境：python3.7 OpenCV3.4.3.18 工具： opencv_annotation.exe opencv_createsamples.exe opencv_traincascade.exe 环境和工具下载安装 OpenCV库在cmd下终端命令 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-contrib-python==3.4.3.18 包括了OpenCV
之前我们讲了K-NN算法，通过将未知数据点和训练集中的数据点做比较，用样本点之间的距离作为度量，然后从训练集中k个最相似的样本中，通过“选举”的方式，获得最高投票的类别获胜，作为最后分类的结果。 虽然简单直观，但是也有很多缺点： 实际上没有"学习"任何东西，如果算法出错，那么
老板给了你有一个关于癌症检测的数据集，你构建了二分类器然后计算了准确率为98%，你是否对这个模型满意？为什么？如果还不算理想，接下来该怎么做？ 答：首先模型的主要患有癌症的患者，模型关注的实际是坏样本。其次一般来说癌症的数据集中坏样本比较少，正负样本不平衡。准确率的指的是分类正确
以下内容是自己学习北京邮电大学鲁鹏副教授计算机视觉与深度学习课程（A02）的一些笔记，笔者能力有限，如有错误还望各位大佬在评论区批评指正 。 先贴一下课程的官网：CV-XUEBA 接上篇，简单的介绍了分类器的设计，接下来开启分类器的设计之旅。上篇地址：计算机视觉与深度学习-2 1、线性分类
Adaboost 什么是集成学习 在机器学习的有监督问题中，我们的目标是通过学习获得一个正确率很高的模型（强可学习）。但往往我们无法获得效果这么好的模型，只能得到一个学习率仅比随机猜测略好的模型（弱可学习）。Schapire证明，强可学习和弱可学习是等价的。因此，问题变成了，如何将我们容易
基于鸢尾花卉数据集的Fisher分类器设计 本文主要探讨Iris数据集（二维）的Fisher线性分类器的设计。 数据集下载 1. 预处理 # 导包 import numpy as np import matplotlib.pyplot as plt import pandas as pd import math # 数学函数 import sympy as sp # 绘图 from sklearn.mod
上高中时并没有真正理解贝叶斯公式，死记硬背居多，数学不好真是有原因的。最近好像在开窍了，昨天归纳了贝叶斯定理，今天来写写贝叶斯在分类器中的应用。 1.1贝叶斯分类的基础——贝叶斯定理 已知某条件概率，如何得到两个事件交换后的概率，也就是在已知P(A|B)的情况下如何求得P(B|A)。这
layout: post title: 机器学习的分类模型评价方法 description: 模型评价 tag: 机器学习 分类模型评价方法 评估分类器（分类模型）相对于评估回归器通常要复杂，本篇以MNIST数据集的手写数字识别分类为例，记录常用的分类器评估方法。 交叉验证：Cross-Validation 留一交叉验证：（Leav
写在前面：本文是作者学习路上的笔记总结。 若干文字方面的内容摘自各大网站，包括百度、知乎、CSDN等，作为学习笔记分享给大家，非商用 侵删。 文章实验部分为作者实验真实实验数据，可供小伙伴参考。 一、引言 卷积神经网络可以处理图像以及一切可以转化成类似图像结构
一.基础概念 贝叶斯分类器是各种分类器中分类错误概率最小或者在预先给定代价的情况下平均风险最小的分类器。它的设计方法是一种最基本的统计分类方法。其分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为
第一卷 第七章 你的第一个图像分类器 这章主要讲了图像预处理的代码、图像加载的代码、K-NN算法和使用K-NN的例子。 作者：我们将讨论k-最近邻(k-NN)分类器，这是您第一次接触使用机器学习进行图像分类。事实上，这个算法非常简单，根本没有进
综述：随机森林和决策树一样都可用于分类和回归，然而随机森林的模型结果往往优于决策树。 本篇文章主要讲解以上两种ML算法的原理和常用参数。 一、 原理 1.1 决策树 1.1.1决策树释义 决策树是一种非参数的有监督学习方法。本质上是从训练数据集中归纳出一组决策规则，用来解决分
目录1. 图像分割1.1 阈值、边缘1.1.1 区域生长法1.1.2 图论(分割(目标检测))2 人脸检测2.1 Haar-like 特征+级联分类器3 行人检测3.1 HOG（方向梯度直方图）+SVM（支持向量机）3.2 DPM（Deformable Part Model可变形的组件模型）其它 1. 图像分割 传统的方法根据灰度、颜色、纹理、形状等特征
投票分类器 假设已经训练好了一些分类器， 每个分类器准确率约为80%。 这时， 要创建一个更好的分类器， 最简单的办法是聚合每个分类器的预测， 然后将得票数最多的结果作为预测类别。 这种大多数投票分类器被称为硬投票分类器。 如下用Scikit-Learn创建并训练一个投票分类器， 由三种不同
目录 一、k-近邻算法概述1. 准备：使用Python导入数据2. 从文本文件中解析数据3. 如何测试分类器 二、使用k-近邻算法改进约会网站的配对效果1. 准备数据：从文本文件中解析数据2. 分析数据：使用Matplotlib 创建散点图3. 准备数据：归一化数值4. 测试算法：作为完整程序验证分类器
支持向量机 什么是支持向量机？多类问题的支持向量机核化SVC(支持向量分类器)中的重要参数核化支持向量机的优点：核化支持向量机的缺点： 什么是支持向量机？ 支持向量机，因其英文名为 Support Vector Machine，故一般简称 SVM，通俗来讲，它是一种二类分类模型，其基本模型定义为特征空
转自：https://www.plob.org/article/12476.html 初识ROC曲线 1. ROC的前世今生： ROC的全称是“受试者工作特征”（Receiver Operating Characteristic）曲线，首先是由二战中的电子工程师和雷达工程师发明的，用来侦测战场上的敌军载具（飞机、船舰），也就是信号检测理论。之后很快就被引入
1.人脸检测方法 主要有两大类：基于知识和基于统计。 基于知识的方法主要利用先验知识将人脸看作器官特征的组合，根据眼睛、眉毛、嘴巴、鼻子等器官的特征以及相互之间的几何位置关系来检测人脸。 基于统计的方法则将人脸看作一个
