行者

摘要： 在上述两篇的文章中主要讲述了决策树的基础，但是在实际的应用中经常用到C4.5算法，C4.5算法是以ID3算法为基础，他在ID3算法上做了如下的改进：　1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足，公式为GainRatio(A)； 2) 在树构造过程中进行剪枝； 3) 能够完成对连续属性的离散化处理； 4) 能够对不完整数据进行处理。 C4.5算法与其它... 阅读全文

摘要： 上一章主要描述了ID3算法的的原理，它是以信息熵为度量，用于决策树节点的属性选择，每次优选信息量最多的属性，以构造一颗熵值下降最快的决策树，到叶子节点处的熵值为0，此时每个叶子节点对应的实例集中的实例属于同一类。理想的决策树有三种：1.叶子节点数最少2.叶子加点深度最小3.叶子节点数最少且叶子节点深度最小。在实际的操作中还会设计到ID3算法的收敛，过度拟合等问题下面依次进行描述1.ID算法收敛2.... 阅读全文

摘要： Contents<!--more--> 1. 决策树的基本认识 2. ID3算法介绍 3. 信息熵与信息增益 4. ID3算法的C++实现 1. 决策树的基本认识 决策树是一种依托决策而建立起来的一种树。在机器学习中，决策树是一种预测模型，代表的是一种对 象属性与对象值之间的一种映射关系，每一个节点 阅读全文

摘要： 以上两篇文章中检测在DOG空间中稳定的特征点，lowe已经提到这些特征点是比Harris角点等特征还要稳定的特征。下一步骤我们要考虑的就是如何去很好地描述这些DOG特征点。下面好好说说如何来描述这些特征点。许多资料中都提到SIFT是一种局部特征，这是因为在SIFT描述子生成过程中，考虑的是该特征点邻域特征点的分布情况（而没有利用全局信息）。本步骤中主要计算过程包括：确定特征点的方向和生成特征描述符... 阅读全文

摘要： 最近微博上有人发起投票那篇论文是自己最受益匪浅的论文，不少人说是lowe的这篇介绍SIFT的论文。确实，在图像特征识别领域，SIFT的出现是具有重大意义的，SIFT特征以其稳定的存在，较高的区分度推进了诸多领域的发展，比如识别和配准。上一篇文章，解析了SIFT特征提取的第一步高斯金字塔的构建，并详细分析了高斯金字塔以及差分高斯金字塔如何完成一个连续的尺度空间的构建。构建高斯金字塔不是目的，目的是如... 阅读全文

摘要： SIFT(Scale-Invariant Feature Transform，尺度不变特征转换)在目标识别、图像配准领域具有广泛的应用，下面按照SIFT特征的算法流程对其进行简要介绍对SIFT特征做简要介绍。 高斯金字塔是SIFT特征提取的第一步，之后特征空间中极值点的确定，都是基于高斯金字塔，因此 阅读全文

摘要： VLD简介 VLD使用 VLD工具原理 初始化 记录内存分配 使用问题 问题1：VLD 1.9 问题2：VLD 2.2.3 阅读全文

摘要： 转：http://blog.csdn.net/galaxy_li/article/details/7411956 1：神马是Dll和Lib，神马是静态链接和动态链接 大家都懂的，DLL就是动态链接库，LIB是静态链接库。DLL其实就是EXE，只不过没main。 动态链接是相对于静态链接而言的。所谓静 阅读全文

摘要： 阅读全文

摘要： 在类中，非常量成员函数中，this指针为指向非常量的常量指针Class* this const 在常量成员函数中，this指针为const class* this const，为指向常量的常量指针 阅读全文