变量之间的非严格函数关系像下图中，变量X，Y是存在严格的函数关系的（y = x + 0.3）：而现实世界中，通常是变量X，Y之间存在某种密切的联系，但并非严格的函数关系（非确定关系），如下图：通过接近X，Y之间的函数关系的关系来预测X时Y的取值，就是回归分析。这里的 1.7 就是 （误差） 回归回归是处理两个或者两个变量以上相互依赖的定量关系的一种统计方法和技术，变量之间的关系
转载
2024-03-17 13:10:37
171阅读
说在前面 同一个算法本身存在各种不同的变体，即各种改进版本。一句话+一张图并不能涵盖所有情况，只是尽量用通俗的语言介绍其中经典的算法版本。希望对某算法本身不了解的人看完能迅速get到该算法在干什么；二刷该算法的人能够迅速回忆起算法核心思想和做法，做到能随口讲给别人听。一句话Logistic 回归 或者叫逻辑回归 虽然名字有回归，但是它是用来做分类的。其主要思想是: 根据现有数据对分类边界线(Dec
转载
2024-04-25 10:48:07
31阅读
本文内容框架Seaborn简介Matplotlib虽然提供了丰富而强大的接口用于数据的可视化，但在展现多类数据关系时，需要较多数据处理过程，语句就变得繁琐，因此seaborn针对这类需求，基于matplotlib提供了更高层的接口，擅长统计数据的可视化。seaborn可视化的写法和matplotlib基本相同。其代码框架如下：import seaborn as sns #导入seabron库ti
深度学习入门实战（三）-图片分类中的逻辑回归 作者 |董超 0x00 概念 什么是逻辑回归 线性回归通常用于对于连续值预测，比如根据房价走势，给个房子的面积预测该房子以后的房价等。 然而，有时我们需要对事物分类（classify）而不是去预测一个具体的数值，例如给定一张含有数字（0-9 十个数字中的一个）的图片，我们需要将其分类为 0，1，2，3，4，5，6，7，8，9 十类；或者，我
转载
2024-09-03 09:18:00
58阅读
目录 一 机器学习，深度学习能做什么二 机器学习的定义三 机器学习算法分类分类，回归的区别：分类，回归问题的共同点： 线性回归线性回归的损失（损失函数/cost/成本函数）四 深度学习中超参数的介绍：1什么是超参数，参数和超参数的区别：2神经网络中包含哪些超参数：3为什么要进行超参数调优：4超参数上的重要顺序：1）学习率，损失函数上的可调参数：在网络参数、优化参数、正
转载
2024-03-22 14:00:26
79阅读
方法一：
如果实在懒得往下看了，可以记住“win+d”快捷键，实现快速切换到桌面。（win键位于Ctrl与Alt之间）方法二：（我就是用的这个方法）
也可以点击“开始→运行”，在弹出的“运行”对话框中输入“REGSVR32 /n /i:u shell32 ”（不含双引号。注：32后面有个空格），然后回车，片刻后会弹出“shell32中的DllInstall成功”提示对话框，这样“显示桌面
转载
2024-10-01 10:31:03
44阅读
只需10行Python代码，我们就能实现计算机视觉中目标检测。from imageai.Detection import ObjectDetection
import os
execution_path = os.getcwd()
detector = ObjectDetection()
detector.setModelTypeAsRetinaNet()
detector.setModelPat
深度学习是机器学习的一个分支，在许多研究领域和实际中都得到了广泛应用。这种持续的发展主要可以追溯到潜在处理设施的可用性和可负担性，例如，仅在十年前，这些设施还没有普及。尽管它在计算机视觉领域，特别是在目标识别和检测领域显示出了广泛的前沿性能，但是深度学习还没有进入其他研究领域。此外，深度学习模型的性能强烈依赖于如何根据当前问题设计/定制这些模型。因此，这不仅引起了对精度的关注，而且还增加了处理开销
赵庆鹏. 常见图像退化问题分析及其复原技术研究[D].北京邮电大学,2008. 上图是图像畸变复原的整体框架，本文将对曲面畸变进行描述，并用matlab进行复现。 我所选取的图片无明显的透视变换，所以只需在图片上进行曲面畸变的复原即可。 首先读取图片：I = imread('001.jpg'); %基准图像
J = imread('002.jpg'); %待配准
转载
2024-03-17 09:47:21
42阅读
TensorFlow逻辑回归实验目的1.掌握使用TensorFlow进行逻辑回归2.掌握逻辑回归的原理实验原理逻辑回归是机器学习中很简答的一个例子，这篇文章就是要介绍如何使用tensorflow实现一个简单的逻辑回归算法。逻辑回归可以看作只有一层网络的前向神经网络，并且参数连接的权重只是一个值，而非矩阵。公式为：y_predict=logistic(X*W+b)，其中X为输入，W为输入与隐含层之间
转载
2024-05-06 16:10:58
43阅读
文章目录机器学习模型评估分类模型回归模型聚类模型交叉验证中指定scoring参数网格搜索中应用 机器学习模型评估以下方法，sklearn中都在sklearn.metrics类下，务必记住哪些指标适合分类，那些适合回归，不能混着用 分类的模型大多是Classifier结尾，回归是Regression分类模型accuracy_score（准确率得分）是模型分类正确的数据除以样本总数 【模型的sc
转载
2024-05-15 12:48:20
28阅读
论文：https://arxiv.org/pdf/2003.07018.pdf代码：https://github.com/guoyongcs/DRN目前超分辨率算法存在两个明显的问题：从 LR 图像到 HR 图像通常是一个高度病态的反问题，存在无数可能的HR 图像通过降采样得到同一张 LR 图像。解空间过大，从而很难去找到一个合适的解。真实场景应用中，成对的 LR-HR 图像往往无法获得，因此对应
线性回归实现%matplotlib inline
import random
from mxnet import autograd, np, npx
from d2l import mxnet as d2l生成数据集根据带有噪声的线性模型构造一个人造数据集。任务是使用这个有限样本的数据集来恢复这个模型的参数。##使用线性模型参数w=[2,-3.4]T,b=4.2和噪声声项e生成数据集
y = X
转载
2024-04-24 16:20:00
88阅读
第13讲和第14讲我们来关注一下回归模型的两个变种模型。本节我们要介绍的是基于L1正则化的Lasso模型，下一节介绍基于L2正则化的Ridge模型。在正式介绍这两种模型之前，笔者还是想带大家复习一下过拟合和正则化等机器学习关键问题。正则化与L1范数 正则化是防止模型过拟合的核心技术之一，关于欠拟合和过
转载
2024-02-08 07:33:22
59阅读
XLD相关threshold_sub_pix(Image, Edges, Filter, alpha, Low, High)
根据阈值提取单通道图像的XLD轮廓，
当灰度值小于Low时直接拒绝，
当灰度值大于High时直接接受为边缘，
当灰度值在Low和High之间的时候，这个点与已经确认为边界的点相连接时，也成为轮廓上的点。gen_contour_region_xld(Region, Conto
转载
2024-10-23 21:49:32
46阅读
摘要：近年来以人工智能为代表的新一代科学技术迅速发展,众多基于位置的新型服务对传统导航电子地图提出新的需求.GNSS(Global Navigation Satellite System,全球导航卫星系统)在地基等增强系统的支持下,民用消费级实时定位精度已经能达到亚米至分米级,需要与之精度匹配的导航地图共同组成高精度位置服务.尤其在交通领域,车载导航地图需要以更精细的尺度反映时空地理环境,支撑车道
一、说在前面上一节总结了线性回归的基本要素。这一次用代码实现线性回归。在实际训练一个模型的时候，需要有以下一些步骤： 实际上，每个部分都有一些小技巧在里面。只能慢慢学了~二、代码实现1. 数据由于是自己学习，将随机生成数据。在线性回归中具体是生成哪些数据呢？我们要达到的目的，给定影响一个房子放假的若干因素，比如面积和房龄，来预测出其房价。所以，我们需要生成以下数据：很多很多个房子的面积和房龄，记为
转载
2024-07-24 14:29:01
21阅读
机器学习之线性回归线性回归最小二乘法(OLS)岭回归(Ridge Regression)Lasso回归OLS，岭回归，Lasso回归之间对比 线性回归什么是线性回归呢？其实线性回归是统计学中的，线性回归（Linear Regression）是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种 回归分析 。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一
转载
2024-02-22 16:23:44
55阅读
重磅干货，第一时间送达在这篇论文中，来自国防科技大学和普林斯顿大学的研究者提出了一种面向单张 RGB-D 图像的对称检测网络 SymmetryNet。实验结果表明，该检测网络显著优于其它已有方法，性能达到了 SOTA，尤其是在没有训练过的物体上优势明显。此外，SymmetryNet 能够准确地检测出多种不同物体的对称性，包括被遮挡的物体、包含多个对称面的物体等。作为大多数物体的基本几何属性，对称性
回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。例如，司机的鲁莽驾驶与道路交通事故数量之间的关系，最好的研究方法就是回归。回归分析是建模和分析数据的重要工具。在这里，我们使用曲线/线来拟合这些数据点，在这种方式下，从曲线或线到数据点的距离差异最小。我会在接下来的部分详细解释这一点。我们为什么使用
转载
2024-05-06 10:13:02
105阅读
