摘要：出发点 线性判别函数简单，容易实现； 非线性判别函数复杂，不容易实现； 若能将非线性判别函数转换为线性判别函数，则有利于模式分类的实现。 基本思想 设有一个训练用的模式集{x}，在模式空间x中线性不可分，但在模式空间x*中线性可分，其中x*的各个分量是x的单值实函数，x*的维数k高于x的维数n，即若
阅读全文
posted @ 2018-09-29 08:57
09 2018 档案
摘要：3.1线性判别函数 3.1.1两类问题的判别函数 （1）以二维模式样本为例 （2）用判别函数进行模式分类依赖的两个因素 ① 判别函数的几何性质：线性的和非线性的函数。 线性的是一条直线； 非线性的可以是曲线、折线等； 线性判别函数建立起来比较简单（实际应用较多）； 非线性判别函数建立起来比较复杂。
阅读全文
posted @ 2018-09-28 19:33
摘要：第二章 统计判别 第三章 判别函数 第四章 特征选择和提取 第五章 句法模式识别 第六章 统计学习理论基础 第七章 有监督学习基础算法 第八章 支持向量机 第九章 无监督学习与半监督学习 第十章 图模型基础 第十一章 集成学习 第十二章 神经网络与深度学习 第十三章 典型应用案例 第一章 绪论 1.
阅读全文
posted @ 2018-09-28 12:58
摘要：Aprior算法流程 下面我们对Aprior算法流程做一个总结。 输入：数据集合D，支持度阈值αα 输出：最大的频繁k项集 1）扫描整个数据集，得到所有出现过的数据，作为候选频繁1项集。k=1，频繁0项集为空集。 2）挖掘频繁k项集 a) 扫描数据计算候选频繁k项集的支持度 b) 去除候选频繁k项集
阅读全文
posted @ 2018-09-20 19:37
摘要：
阅读全文
posted @ 2018-09-20 19:03
摘要：一.排序 二.插入排序 （1）算法描述 （2）性能分析 （3）寻求优化 三.归并排序 （1）算法思想 （2）性能分析 （2）示例 （3）算法问题及优化 四.快速排序
阅读全文
posted @ 2018-09-20 16:22
摘要：一.什么是二分查找 二.什么是二元比较树
阅读全文
posted @ 2018-09-19 20:53
摘要：一.图的基本概念和性质 二.树的遍历 以树（特殊的图）为例： 树的遍历还有： — 树转换成二元树（树的子树由无序变成有序） 三.图的遍历 1.图的宽度优先检索 栈过程状态： 问题： V1 V2 V3 V4 V5 V6 V7 V1 V2 V4 V8 V5 V3 V6 V7 检测顺序：V8 V5 V2
阅读全文
posted @ 2018-09-19 15:23
摘要：一.基本概念复习 二.问题的提出与解决 现有以下两个算法 算法1： 算法2：
阅读全文
posted @ 2018-09-19 14:18
摘要：均值和协方差矩阵的估计量定义 设模式的类概率密度函数为p(x)，则其均值向量定义为： 其中，x = (x1, x2, …, xn)T，m = (m1, m2, …, mn)T。若以样本的平均值作为均值向量的近似值，则均值估计量为： 协方差矩阵为： 其每个元素clk定义为： 其中，xl、xk和ml、m
阅读全文
posted @ 2018-09-18 21:42
摘要：出发点： 当已知或者有理由设想类概率密度函数P(x|ωi )是多变量的正态分布时，上一节介绍的贝叶斯分类器可以导出一些简单的判别函数。 由于正态密度函数易于分析，且对许多重要的实际应用又是一种合适的模型，因此受到很大的重视。 （贝叶斯分类规则是基于统计概念的。 如果只有少数模式样本，一般较难获得最优
阅读全文
posted @ 2018-09-18 15:21
摘要：一.作为统计判别问题的模式分类 模式识别的目的就是要确定某一个给定的模式样本属于哪一类。 可以通过对被识别对象的多次观察和测量，构成特征向量，并将其作为某一个判决规则的输入，按此规则来对样本进行分类。在获取模式的观测值时，有些事物具有确定的因果关系，即在一定的条件下，它必然会发生或必然不发生。但在现
阅读全文
posted @ 2018-09-17 16:30
摘要：问题1：什么是参数和非参数机器学习算法？ 1.1参数机器学习算法 （1）两步骤： 1. 选择一种目标函数的形式； 2. 从训练数据中学习目标函数的系数。 （2）参数机器学习算法的优点： 简单：这些算法很容易理解和解释结果； 快速：参数模型可以很快从数据中学习； 少量的数据：它们不需要太多的训练数据，
阅读全文
posted @ 2018-09-15 10:52
摘要：KNN是通过测量不同特征值之间的距离进行分类。它的的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。K通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的
阅读全文
posted @ 2018-09-01 15:36
