2301_79654159的博客

原创 机器学习（八）——PCA实现人脸识别降维数据集

数据加载遍历40个子文件夹（s1到s40）每个文件夹读取10张.pgm图像将图像展平为10304维向量（92×112像素）创建对应的标签向量数据处理计算平均脸并从数据中减去（中心化）将数据矩阵转换为400×10304的numpy数组PCA降维使用保留95%的方差（可根据需求调整自动计算所需主成分数量结果可视化显示平均脸图像显示前3个特征脸（主成分方向）import os# 数据集路径# 初始化数据和标签列表data = []# 遍历所有子文件夹和图像。

原创 机器学习（七）——SVM实现垃圾邮件分类

支持向量机是有监督学习中最有影响力的机器学习算法之一。SVM 是一种非常优雅的算法，有着非常完善的数学理论基础，其预测效果，在众多机器学习模型中“出类拔萃”。在深度学习没有普及之前，“支持向量机”可以称的上是传统机器学习中的“霸主”。支持向量机是一种二分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。支持向量机的学习算法是求解凸二次规划的最优化算法。

原创 机器学习（六）——逻辑回归

逻辑回归是用来进行分类的，下面我将给出一个简单的例子来解释。我们给出一个人的 [身高，体重] 这两个指标，然后判断这个人是属于”胖“还是”瘦“这一类。对于这个问题，我们可以先测量n个人的身高、体重以及对应的指标”胖“,"瘦”，把胖和瘦分别用0和1来表示，把这n组数据输入模型进行训练。训练之后再把待分类的一个人的身高、体重输入模型中，看这个人是属于“胖”还是“瘦”如果数据是有两个指标，可以用平面的点来表示数据，其中一个指标为x轴，另一个为y轴；如果数据有三个指标，可以用空间中的点表示数据；

原创 机器学习（五）——基于贝叶斯判断西瓜好坏

朴素贝叶斯作为一种基于概率的分类方法，其应用是十分广泛的，并且大多数情况下分类预测效果较好，训练速度较快。针对贝叶斯决策问题中P(x|c)不易求解的问题，该方法采用了属性条件独立性假设，但是现实情况下这种假设难以成立，所以针对该问题后面又有了半朴素贝叶斯等方法的出现。

原创 机器学习（四）——决策树

决策树特点优点容易理解，可解释性较好可以用于小数据集时间复杂度较小可以处理多输入问题，可以处理不相关特征数据对缺失值不敏感缺点在处理特征关联性比较强的数据时，表现得不太好当样本中各类别不均匀时，信息增益会偏向于那些具有更多数值的特征对连续性的字段比较难预测容易出现过拟合当类别太多时，错误可能会增加得比较快。

原创 机器学习（三）——模型评估

混淆矩阵（confusion matrix）是一个评估分类问题常用的工具，对于 k 元分类，其实它是一个k x k的表格，用来记录分类器的预测结果。例如对于常见的二分类，它的混淆矩阵是 2 x 2 的。在二分类中，可以将样本根据其真实结果和模型的预测结果的组合划分为真阳性（true positive，TP）、真阴性（true negative，TN）、假阳性（false positive，FP）、假阴性（false negative，FN）。

原创 deeplabv3项目运行及源码论文简单介绍

DeepLabv3 是一种高效的语义分割模型，通过空洞卷积和 ASPP 模块解决了多尺度信息捕捉和分辨率损失的问题，成为图像分割领域的重要里程碑，显著提升像素级图像分割的精度与鲁棒性。由于理论讲解有些枯燥，我就先从环境搭建开始，放上项目运行的流程以及一些踩过的坑，之后再用前文的例子讲讲自己对源码以及论文的理解-来自运行前的环境配置为Pillow。

原创 机器学习（二）——Knn算法

K值影响过大预测标签比较稳定，可能过平滑，容易欠拟合过小预测的标签比较容易受到样本的影响，容易过拟合。

原创 机器学习（一）Anaconda、pycharm、vscode的配置

Anaconda 是数据科学和机器学习的强大工具，集成了丰富的库和工具，简化了环境管理和依赖管理。

原创 Unity制作合成大西瓜

第二个函数为更新水果，先判断isclick为false时进行鼠标坐标的获取，vector3表示3维变量，由于我们用input获取的是鼠标相对于屏幕的坐标，而需要的是相对于游戏的坐标，所以用camera.main.screentoworldpoint转换成游戏坐标，后实现水果创建后固定在上方可左右移动的效果，先在游戏场景中用一个水果测量边缘x的坐标，第三个函数为水果的升级，碰撞后水果的level+1实现融合效果，后使其出现与创建水果相同。，以此达到碰撞效果，水果还需要刚体。一、gamemanager。

原创 soild works画图