简介
积分图的出现使得Haar特征的计算更为高效,这是一种动态规划算法,以减少重复计算缩减算法时间。它可以使复杂度为O(MN)的求和,求方差等运算降低到O(4)的复杂度,而BoxFilter可以降到O(1),不过BoxFilter不支持多尺度。
粗糙集理论学习笔记
粗糙集理论的主要思想是利用已知的知识库,将不精确或不确定的知识用已知的知识库中的知识来(近似)刻画。
罗尔中值, 拉格朗日中值, 柯西中值
简述: 罗尔==>拉格朗日==>柯西,特殊性逐渐渐减弱。
范数介绍
向量范数:
向量范数定义了向量的距离,而距离满足正定,齐次,三角不等式。范数的使用可以帮助特征选择,使得模型更具解释性。
谱聚类学习
逻辑回归介绍
采样的作用
定义: 采样本质上是对随机现象的模拟,根据给定的概率分布,来模拟产生一个对应的随机事件。采样可以让人们对随机事件及其产生过程有更直观的认识。
实例:通过对二项分布的采样,可以模拟”抛硬币出现正面还是反面“这个随机事件,进而模拟产生一个多次抛硬币出现的序列。
隐马尔可夫模型HMM学习笔记
马尔可夫链介绍
简介
马尔可夫链(Markov chain),又称离散时间马尔可夫链(discrete-time Markov chain)为状态空间中经过从一个状态到另一个状态的转换的随机过程。
该过程要求具备“无记忆”的性质:下一状态的概率分布只能由当前状态决定,在时间序列中它前面的事件均与之无关。这种特定类型的“无记忆性”称作马尔可夫性质。
在马尔可夫链的每一步,系统根据概率分布,可以从一个状态变到另一个状态,也可以保持当前状态。状态的改变叫做转移,与不同的状态改变相关的概率叫做转移概率。
随机漫步就是马尔可夫链的例子。随机漫步中每一步的状态是在图形中的点,每一步可以移动到任何一个相邻的点,在这里移动到每一个点的概率都是相同的(无论之前漫步路径是如何的)。【维基百科】
高斯混合模型
简述: 高斯混合模型是一种常见的聚类算法,与K均值算法类似,同样使用了EM算法进行迭代。高斯混合模型假设每个簇的数据都是符合高斯分布的,当前数据呈现的分布就是各个簇的高斯分布叠加在一起的效果,可用多个高斯分布函数的线性组合来对数据分布进行拟合。理论上,高斯混合模型可以拟合出任意类型的分布。