摘要:
原理方面,其他网友已经讲得很详细了,这里补充下python代码 https://blog.csdn.net/liyuanbhu/article/details/49387483 点击查看代码 import cv2 import numpy as np import matplotlib.pyplot 阅读全文
摘要:
1.概述 2.Laplacian算子 下面我们用最后得出梯度的幅值为$G(x,y) = \sqrt{ \left(g_{x}^2 +g_{y}^2\right)}$方向为: $\theta = \arctan{\frac{g_{y}}{g_{x}}}$现在我们用程序来实现这个过程。 拉普拉斯算子,在 阅读全文
摘要:
案例入门 没有一种有向图可以表达上面的关系,所以这时候就需要用无向图来表示 基本概念 \(\color{red}{因子,或者叫势函数}\) \(\color{red}{辖域/scope}\) 因子的表示 输入是一个随机变量具体的值 输出是对应的可能情况,这说明因子就是没有归一化的概率密度函数/概率质 阅读全文
摘要:
图与分布的等价性 如图3.5中的abc三张图 从分布构建图-最小I-map 阅读全文
摘要:
d-分离 \(本节的目的是了解合适可以保证独立性条件(X\perp Y|Z)在于贝叶斯网络结构\mathcal(G)相关的分布中成立\) 直接连接 这个一看就是互相影响的,不可能独立 间接连接 考虑下面四种间接连接的情况 简单总结下就是 \(a,b,c三种情况是如果没有观察到Z。那么X,Y是相关的, 阅读全文
摘要:
贝叶斯网络的定义 \(\color{red}{贝叶斯网络是一个有向无圈图(DAG)\mathcal{G}}\) 因子分解-基础 \(\color{red}{简单说,贝叶斯网络的因子分解=每个节点的条件概率(已知所有父节点的情况下)之积}\) 概率图 推理模式 拿到一封好的推荐信的概率为 \(P(L= 阅读全文
摘要:
朴素贝叶斯模型定义 概率图模型 作用 适用场景 局限性 显而易见,各变量之间的独立假设过强是最大的局限性,相互影响的变量被重复计算,证据被重复计算,特征过多,反而性能下降 阅读全文
摘要:
基本概念 \(节点\mathcal{X}\) \(边集\varepsilon\) \(有向边:X_i \to X_j\) \(无向边:X_i - X_j\) \(X_i \rightleftharpoons X_j:这条边可以是有向的(任意方向),也可以是无向的\) \(有向图\mathcal{G} 阅读全文
摘要:
一些概念 条件概率 链式法则 贝叶斯定理 多项式分布,伯努利分布 一些记号的说明 \(P(X=x)缩写成P(x)\) \(\sum_x 表示X的所有可能取值之和 \sum_x P(x)=1\) \(联合概率P(X=x,Y=y)写成P(x,y)\) 边缘分布 \(P(x)就是随机变量X的边缘分布\) 阅读全文
摘要:
![](https://img2022.cnblogs.com/blog/2682749/202202/2682749-20220225082650549-412184799.png) ![](https://img2022.cnblogs.com/blog/2682749/202202/2682749-20220225082710434-28008007.png) ![](https://img 阅读全文