摘要：
Spring是什么呢？首先它是一个开源的项目，而且目前非常活跃；它是一个基于IOC和AOP的构架多层j2ee系统的框架。两个概念：IOC/DI 和AOPIOC：Inversion of Control，控制反转，不创建对象，但是描述创建它们的方式。在代码中不直接与对象和服务连接，但在配置文件中描述哪一个组件需要哪一项服务。容器负责将这些联系在一起。举个例子，你写了一个类A，要在类B中引用类A的对象，通常的做法是在类B中通过代码直接实例化；而IOC则可以由Spring框架来实例化类A的对象，实例化的过程由框架本身控制。DI：Dependency Injiection，依赖注入，IOC的机制导致很 阅读全文
摘要：
Precision: 精确率、查准率 －－－ 检索到的相关文档 比 所有被检索到的文档 A / (A + B)Recall: 召回率、查全率 －－－ 检索到的相关文档 比 库中所有的相关文档 A / (A + C) 相关 不相关检索到 A B未检索到 C D对于一个检索系统来讲，召回率和精确率不可能两全其美：召回率高时，精确率低；精确率高时，召回率低。“召回率”和“精确率”虽然没有必然的联系，然而在大规模数据集合中，这两个指标却是相互制约的。 阅读全文
摘要：
随机森林在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。学习算法：1. 用N来表示训练例子的个数，M表示变量的数目。2. 我们会被告知一个数m，被用来决定当在一个节点上做决定时，会使用到多少个变量。m应小于M。3. 从N个训练案例中以可重复取样的方式，取样N次，形成一组训练集（即bootstrap取样（待了解））并使用这棵树来对剩余预测其类别，并评估其误差。4. 对于每一个节点，随机选择m个基于此点上的变量。根据这m个变量，计算其最佳的分割方式。5. 每棵树都会完整成长而不会剪枝（Pruning）（未完待续） 阅读全文
摘要：
SVM与Adaboost存在一些相似之处，下面我们看下关于Adaboost的基本介绍Adaboost，是Adaptive Boosting是缩写。是经过调整的Boosting算法，适应性调整，能够对弱学习得到的弱分类器的错误进行适应性调整。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器（弱分类器），然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。以上是Adaboost的核心思想。算法本身是通过改变数据分布来实现的。算法思路：1. 根据每一次训练集之中，每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。2. 将修改过权值的新 阅读全文
摘要：
算法：一：Random Forest二：SVM三：Adaboost第一层面. 会用，input, output第二层面. 基本原理第三层面. 优缺点，与其它算法比较第四层面. 为什么能够work第五层面. 创造一个类似的算法Next:算法框架SVM - Support Vector Machine - 支持向量机From Wikipedia: In Machine Learning, support vector machine (SVM) are supervised learning models with associated learning algorithms that analy 阅读全文
摘要：
在做分类时常常需要估算不同样本之间的相似性度量（Similarity Measurement），这时通常采用的方法就是计算样本间的“距离”（Distance）。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。
本文的目的就是对常用的相似性度量做一个总结。
本文目录：
1. 欧氏距离
2. 曼哈顿距离
3. 切比雪夫距离
4. 闵可夫斯基距离
5. 标准化欧氏距离
6. 马氏距离
7. 夹角余弦
8. 汉明距离
9. 杰卡德距离 & 杰卡德相似系数
10. 相关系数 & 相关距离
11. 信息熵 阅读全文
摘要：
开篇：我本科毕设课题是做Video Tracking，主要是研究TLD和MIL，MIL还没开始，TLD断断续续从开始研究到现在有将近一个月的时间，主要以看论文为主。之前包括现在对TLD的研究的人们已经很多了并且在持续进行，但作为本人的一个学习积累总结，方便以后查找review，所以打算作为一个系列利用空余时间持续写下来。TLD Brief Introduction：TLD：Tracking-Learning-Detection，这个算法是由Zdenek Kalal在2011年的PhD论文中提出，而后在国际计算机视觉会议上呈现出来并荣获多个奖项鼓励。谷歌"TLD"第一个就是作 阅读全文
摘要：
冒泡排序方法是最简单的排序方法。这种方法的基本思想是，将待排序的元素看作是竖着排列的“气泡”，较小的元素比较轻，从而要往上浮。在冒泡排序算法中我们要对这个“气泡”序列处理若干遍。所谓一遍处理，就是自底向上检查一遍这个序列，并时刻注意两个相邻的元素的顺序是否正确。如果发现两个相邻元素的顺序不对，即“轻”的元素在下面，就交换它们的位置。 阅读全文