目录算法算法的概念算法的特性算法效率衡量Python内置类型性能分析数据结构概念算法与数据结构的关系抽象数据类型(Abstract Data Type) 算法算法的概念算法是独立存在的一种解决问题的方法和思想，是计算机处理信息的本质。 计算机程序本质上是一个算法来告诉计算机确切的步骤来执行一个指定的任务。一般当算法在处理信息时，会从输入设备或数据的存储地址读取数据，把结果写入输出设备或某个存储地
转载
2024-06-03 11:02:21
48阅读
文章目录4.4 特征工程-特征提取学习目标1 特征提取1.1 定义1.2 特征提取API2 字典特征提取2.1 应用2.2 流程分析2.3 总结3 文本特征提取3.1 应用3.2 流程分析3.3 jieba分词处理3.4 案例分析3.5 Tf-idf文本特征提取3.5.1 公式3.5.2 案例3.6 Tf-idf的重要性4 小结 4.4 特征工程-特征提取学习目标了解什么是特征提取知道字典特征提
转载
2024-07-31 18:15:01
44阅读
Haar特征Haar特征原理综述Haar特征是一种反映图像的灰度变化的，像素分模块求差值的一种特征。它分为三类：边缘特征、线性特征、中心特征和对角线特征。用黑白两种矩形框组合成特征模板，在特征模板内用 黑色矩形像素和 减去 白色矩形像素和来表示这个模版的特征值。例如：脸部的一些特征能由矩形模块差值特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。但矩形特征只对
转载
2024-01-23 22:59:45
261阅读
这个项目大概是在2年前了，因为要用嵌入式编程，所以无法用opencv的库函数，一切算法纯靠手写（是不是很坑爹？），其中一部分程序需要计算Haar特征，于是就有了下面的故事： 在模式识别领域，Haar特征是大家非常熟悉的一种图像特征了，它可以应用于许多目标检测的算法中。与Haar相似，图像的局部矩形内像素的和、平方和、均值、方差等特征也可以用类似Haar特征的计算方法来计算。这些特征有时会频繁
转载
2023-07-12 13:59:21
97阅读
特征选择（feature selection）作为一种常见的降维方法是模式识别的研究热点之一。 它是指从原始特征集中选择使某种评估标准最优的特征子集。 其目的是使选出的最优特征子集所构建的分类或回归模型达到和特征选择前近似甚至更 好的预测精度，这不但提高了模型的泛化能力、可理解性和计算效率，同时可降低“维度灾难”的发生频率。在机器学习领域中，特征选择被认为是跟学习算法紧密联系的一个问题，可表述为
转载
2023-12-06 15:59:56
229阅读
基于边缘特征的二值化阈值选取方法
摘要 阈值选取是图象处理与分析的基础。针对几种常用的图象二值化自动选取阈值方法，通过计算机仿真对实验结果进行了比较研究。在此基础上，提出了一种新的图象二值化算法。该算法着重于在图象二值化时保留图象的边缘特征。实验结果表明，这个基于边缘特征检测算子的算法能很好地保留原图的边缘特征，并能处理低质量的图象。 关键词 图象分割 
转载
2023-12-08 10:32:09
79阅读
1.特征选择 特征选择是降维的一种方法，即选择对预测结果相关度高的特征或者消除相似度高的特征，以提高估计函数的准确率或者提高多维度数据集上的性能。 2.删除低方差特征 1）思路：设置一个阀值，对每个特征求方差，如果所求方差低于这个阀值，则删除此特征。默认情况下会删除0方
转载
2023-07-07 09:47:08
622阅读
基于递归特征消除算法的特征选择在Python中的应用
在当今数据驱动的时代，特征选择是机器学习中不可或缺的一部分。它的主要目标是选择出对预测结果最有帮助的特征，从而提高模型的性能。特征数量过多不仅会增加计算负担，还可能导致过拟合。递归特征消除（RFE）算法是一种有效的特征选择方法，它通过递归地构建模型并消除最不重要的特征来实现选择。
1. 背景描述
特征选择的目的主要体现在以下几个方
# 特征脸算法简介与Python实现
## 引言
特征脸算法（Eigenfaces）是一种人脸识别技术，基于主成分分析（PCA）的方法。利用这一算法，我们可以将高维的面部图像数据简化为低维的特征集合。特征脸算法通过提取面部图像中的重要特征，来识别不同的个体。它在实践中有广泛的应用，如安全监控、门禁系统等。
在本篇文章中，我们将详细介绍特征脸算法的原理，并提供 Python 示例代码以展示如何
算法的五大特性：1、输入：有0个或多个输入2、输出：有0个或多个输出3、确定性：算法每一步都有一定的含义，不会出现二义性4、有穷性：算法在执行有限的步骤之后会结束，而不是无线循环执行。5、可行性：算法的每一步都是可行的 如果 a+b+c=1000，且 a^2+b^2=c^2（a,b,c 为自然数），如何求出所有a、b、c可能的组合? &nbs
转载
2024-05-17 01:30:40
51阅读
0x00 前言我们在《特征工程系列：特征筛选的原理与实现（上）》中介绍了特征选择的分类，并详细介绍了过滤式特征筛选的原理与实现。本篇继续介绍封装式和嵌入式特征筛选的原理与实现。0x01 特征选择实现方法三：线性模型与正则化1.主要思想当所有特征在相同尺度上时，最重要的特征应该在模型中具有最高系数，而与输出变量不相关的特征应该具有接近零的系数值。即使使用简单的线性回归模型，当数据不是很嘈杂（或者有大
算法是指解题方案的准确而完整的描述。即是一组严谨地定义运算顺序的规则，并且每一个规则都是有效的，且是明确的，没有二义性，同时该规则将在有限次运算后可终止。 1）算法的基本特征 （1）可行性:由于算法的设计是为了在某一个特定的计算工具上解决某一个实际的问题而设计的。 （2）确定性:算法的设计必须是每一个步骤都有明确的定义，不允许有模糊的解释，也不能有多义性。
转载
2023-10-27 04:35:16
31阅读
import numpy as np
import torch as torch
# 0 1 0 1 1
# 1 0 1 0 0
# 0 1 0 0 1
# 1 0 0 0 1
# 1 0 1 1 0
x=np.array([[0 ,1 ,0 ,1, 1],
[1 ,0, 1, 0, 0],[0, 1, 0, 0, 1],[1, 0, 0, 0, 1],[1, 0, 1
转载
2023-06-20 21:20:26
188阅读
有关本篇文章的课件大家可以参考这个链接：https://www.icourse163.org/learn/BIT-1001872001?tid=1001965001#/learn/content?type=detail&id=1002854140&cid=1003246094，数据集和slide的获取可以查看本专辑case 0中的相应链接。 下面简单地介绍一下代码（其实就是给原来的
转载
2023-07-02 20:49:17
153阅读
一、SIFT算法算法介绍SIFT (Scale Invariant Feature Transform) 算法，即尺度不变特征算法。特点：该算法对图像存在的旋转、仿射变换，光照变化等能够保持不变性，对噪声的敏感度低，具有很强的鲁棒性。缺点： ① 由于该算法主要是利用了所提取的特征点的局部邻域梯度信息，当待匹配图像中出现相似的部分时，此时会出现一 对多的现象。 （注：即A中一个特征点与B中多个相似的
转载
2024-03-03 08:01:55
351阅读
1 算法是一种独立存在的解决问题的思想和方法2 算法5大特性 2.1 输入（具有0个或多个） 2.2 输出（具有1个或多个输出） 2.3 有穷性（有限步骤可以处理，每个步骤可以在有限时间内处理） 2.4 确切性（算法中每一步都有确切的含义，没有二义性）&n
转载
2023-10-28 12:15:18
58阅读
目录前言1 低层/高层特征2 早/晚融合-Concat/Add3 Attention特征融合前言特征融合是指来自不同层或分支的特征的组合，是现代网络体系结构中很常见的一种操作。图像处理的特征融合中，对于普遍的多尺度融合，广泛操作是直接将他们相加或者拼接起来！即通常通过简单的操作（例如求和或串联）来实现，但是，这不一定是最佳选择。随着Transformer在计算机视觉领域的快速发展，基于Attent
转载
2024-01-08 15:11:37
309阅读
目标在这章我们将看到如何将一张图片中的特征与其他图片进行匹配。我们会使用 OpenCV 里的 蛮力匹配器 以及 FLANN 匹配器。蛮力匹配器的基础蛮力匹配器很简单。它取一个特征在第一个集合中的描述符，然后去匹配在第二个集合中的所有其他的特征，通过某种距离计算。然后返回距离最近的那个。对于蛮力匹配器，首先我们必须创建一个蛮力匹配器对象，使用函数 cv.BFMatcher()。它需要两个可
转载
2024-09-01 17:09:41
232阅读
一直想写一篇关于特征选择（Feature Selection）的博客。有两个原因：第一、特征选择对于传统机器学习任务是十分重要的；第二、自己在硕士期间的研究方向就是特征选择，对于学界前沿的特征选择方法是有那么一丢丢了解的。在有监督，无监督，半监督以及单标签，多标签各种场景下，也做过一些工作： 《Local-nearest-neighbors-based feature weighting for
转载
2024-07-31 12:14:21
161阅读
一.基于统计值的筛选方法1.过滤法：选择特征的时候，不管模型如何，首先统计计算该特征和和label的一个相关性，自相关性，发散性等等统计指标。优点：特征选择开销小，有效避免过拟合缺点：没有考虑后续的学习器来选择特征，减弱了学习器的学习能力（因为某些特征可能和label算出来相关性不大，但是可能和其他特征交叉后，会和label具有很强的关联性）2.单变量筛选法：a：缺失值占比b：方差c：频数d：信息
转载
2023-10-26 10:15:06
165阅读
