摘要：
Common SubsequenceTime Limit: 2000/1000 MS (Java/Others)Memory Limit: 65536/32768 K (Java/Others) Total Submission(s): 17390Accepted Submission(s): 7290 Problem Description A subsequence of a given sequence is the given sequence with some elements (possible none) left out. Given a sequence ... 阅读全文
摘要：
1 摘要 本报告是在学习斯坦福大学机器学习课程前四节加上配套的讲义后的总结与认识。前四节主要讲述了回归问题，回归属于有监督学习中的一种方法。该方法的核心思想是从连续型统计数据中得到数学模型，然后将该数学模型用于预测或者分类。该方法处理的数据可以是多维的。 讲义最初介绍了一个基本问题，然后引出了线性回归的解决方法，然后针对误差问题做了概率解释。之后介绍了logistic回归。最后上升到理论层次，提出了一般回归。2 问题引入 假设有一个房屋销售的数据如下：面积(m^2)销售价钱（万元）12325015032087160102220…… 这个表类似于北京5环左右的房屋价钱，我们可以做出一个图，x轴是 阅读全文
摘要：
ESRI.ArcGIS.Geoprocessor.Geoprocessor geoprocessor = new Geoprocessor(); ESRI.ArcGIS.DataManagementTools.Dissolve d = new ESRI.ArcGIS.DataManagementTools.Dissolve();d.in_features = dissolveTable;d.out_feature_class = System.IO.Path.Combine(dataset.Workspace.PathName, OutputFeatureClas... 阅读全文
摘要：
1 问题 模型选择问题：对于一个学习问题，可以有多种模型选择。比如要拟合一组样本点，可以使用线性回归，也可以用多项式回归。那么使用哪种模型好呢（能够在偏差和方差之间达到平衡最优）？ 还有一类参数选择问题：如果我们想使用带权值的回归模型，那么怎么选择权重w公式里的参数？形式化定义：假设可选的模型集合是，比如我们想分类，那么SVM、logistic回归、神经网络等模型都包含在M中。2 交叉验证（Cross validation） 我们的第一个任务就是要从M中选择最好的模型。 假设训练集使用S来表示 如果我们想使用经验风险最小化来度量模型的好坏，那么我们可以这样来选择模型：1、 使用S来训练每一个， 阅读全文
摘要：
对于AE开发时候，如果调用arctoolbox中的部分功能，权限是arcview或者arceditor是无法执行的，因为权限不够。arcgis9.3的有3个权限arcview、 arceditor、arcinfo，arcinfo是最高的权限所有者，在vs中建立arcgis desktop的窗体项目时候，设置权限为了能保证程序的执行，建议直接设置arcinfo权限，并且将拓展功能全部选中。 阅读全文
摘要：
1. 问题 之前我们讨论的PCA、ICA也好，对样本数据来言，可以是没有类别标签y的。回想我们做回归时，如果特征太多，那么会产生不相关特征引入、过度拟合等问题。我们可以使用PCA来降维，但PCA没有将类别标签考虑进去，属于无监督的。 比如回到上次提出的文档中含有“learn”和“study”的问题，使用PCA后，也许可以将这两个特征合并为一个，降了维度。但假设我们的类别标签y是判断这篇文章的topic是不是有关学习方面的。那么这两个特征对y几乎没什么影响，完全可以去除。 再举一个例子，假设我们对一张100*100像素的图片做人脸识别，每个像素是一个特征，那么会有10000个特征，而对应的类别标 阅读全文
摘要：
主成分分析（Principal components analysis）-最大方差解释在这一篇之前的内容是《Factor Analysis》，由于非常理论，打算学完整个课程后再写。在写这篇之前，我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点。本篇打算先介绍PCA，至于他们之间的关系，只能是边学边体会了。PCA以前也叫做Principal factor analysis。1. 问题 真实的训练数据总是存在各种各样的问题：1、 比如拿到一个汽车的样本，里面既有以“千米/每小时”度量的最大速度特征，也有“英里/小时”的最大速度特征，显然这两个特征有一个多余。2、 拿到一个数学系的本 阅读全文
摘要：
一.简介 决策树学习是一种逼近离散值目标函数的方法，在这种方法中学习到的函数被表示为一棵决策树。二.决策树的表示法 决策树通过把实例从艮节点排列到某个叶子结点来分类实例，叶子结点即为实例所属的分类。树上的每一个结点指定了对实例的某个属性的测试，并且该结点的每一个后继分支对应于该属性的一个可能值。分类实例的方法是从这棵树的根节点开始，测试这个结点的属性，然后按照给定实例的属性值对应的树枝向下移动。然后这个过程在以新结点的根的子树上重复。决策树对应表达式：四.基本的决策树学习算法1. ID3算法通过自顶向下构造决策树来进行学习。构造过程是从“哪一个属性将在树的根结点被测试？”这个问题开始的。为了回 阅读全文
摘要：
经过2天的努力终于算是大概弄清楚了opencv中的vs框架是大概是如何工作的了，下面贴一下我自己写的代码注释。非常详细。对初学者有帮助。尤其详细分析了RunBlobTrackingAuto（）函数，在看注释之前应该首先大概了解一下BlobTrackingTests和BlobTrackingModules的说明文档。这样比较容易理解。说明文档的位置在 opencv的安装位置的opencv\doc\vidsurv代码注释为本人原创，转载请注明原为地址：http://blog.csdn.net/jia_zhengshen/article/details/9499103程序的大体流程是：首先main函 阅读全文
摘要：
sed 是 stream editor（流编辑器）的缩写。它能够完美配合正则表达式使用。sed命令众所周知的一个功能是文本的替换。 1、 sed可以替换给定文本中的字符串。它可以配合正则表达式来进行匹配： $ sed ' s/pattern/replace_string/ ' file 或者 $ cat file | sedsed ' s/pattern/replace_string/ ' //这个命令从stdin中读取输入 使用 -i 选项可以将替换结果应用于源文件。一般在进行替换后利用重定向来保存文件。 ... 阅读全文