坐标下降求解人脸表示（机器学习作业04）

最新推荐文章于 2025-07-18 17:09:42 发布
最新推荐文章于 2025-07-18 17:09:42 发布
阅读量536 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： XJTU机器学习作业
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/ECHOSON/article/details/115015738
这篇博客详细介绍了如何使用坐标下降法解决机器学习第四次作业中的问题，特别是针对第一题和第二题的求解过程进行了深入探讨。

机器学习第四次作业

第一题

image-20201219230355797

求解过程如下：

1

2

第二题

image-20210319205229772

image-20210319205239761

了解本专栏 订阅专栏 解锁全文 超级会员免费看
（4-2）dlib机器学习和图像处理：基本的人脸检测
码农三叔
02-18 1587
在使用correlation跟踪器时，需要将当前视频帧中要跟踪的对象的边界框指定给“相关性跟踪程序”，然后在随后的帧中识别这个对象的位置。通过上述执行结果可知，输出的最佳分配是[2，0，1]，这表示应该将成本矩阵第一行的人员分配给作业2，将中间行的人员分配给作业0，将底部行的人员分配给作业1。使用训练好的模型shape_predictor_68_face_landmarks.dat（人脸识别68个特征点检测数据库）检测人脸关键点，在检测出人脸的同时，检测出人脸上的68个关键点。
机器学习：基于PCA对人脸识别数据降维并建立KNN模型检验
阿极的博客
04-28 3582
PCA（Principal Component Analysis）是一种常用的数据降维方法，通过线性变换将高维数据映射到低维空间，同时尽量保留原始数据的信息。PCA的主要思想是将原始数据的各个特征进行线性组合，使得新特征能够最大程度地保留原始数据的方差，从而达到降维的目的。
坐标下降和块坐标下降法
AcceptedLin的博客
07-24 2万+
                       坐标下降和块坐标下降法 坐标下降法（英语：coordinate descent）是一种非梯度优化算法。算法在每次迭代中，在当前点处沿一个坐标方向进行一维搜索以求得一个函数的局部极小值。在整个过程中循环使用不同的坐标方向。对于不可拆分的函数而言，算法可能无法在较小的迭代步数中求得最优解。为了加速收敛，可以采用一个适当的坐标系，例如通过主成分分析获得一个...
机器学习入门基础（万字总结）（建议收藏！！！）
热门推荐
subsistent的博客
12-04 18万+
机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本文章涵盖了机器学习的基础知识，主要包括机器学习的概述、 回归、分类、聚类、神经网络、文本分析、图像分析、深度学习等经典的机器学习基础知识，还包括深度学习入门等拔高内容。介绍机器学习的基础概念和知识，包括机器学习简史、主要流派、与人工智能、数据挖掘的关系、应用领域、算法、一般流程等。伴随着计算机计算能力的不断提升以及大数据时代的迅发展人工智能也取得了前所未有的进步。
山东大学机器学习实验7 PCA+ SVM 人脸识别
https://github.com/ZhaoyungZhang
12-12 1902
山东大学机器学习实验7 PCA+ SVM 人脸识别 实验学时： 4 实验日期：2021.12.6 文章目录山东大学机器学习实验7 PCA+ SVM 人脸识别实验题目：PCA in Face Recognition实验目的实验环境软件环境硬件环境实验步骤与内容了解PCADimensionality ReductionLinear Dimensionality ReductionPrinciple Component AnalysisSVM多分类原理one-against-one
东北大学大数据班机器学习大作业——印度房价预测
weixin_53803820的博客
02-05 8531
东北大学大数据班机器学习大作业——印度房价预测
【机器学习实战7】主成分分析(PCA)——人脸识别
2301_80833977的博客
06-16 770
PCA人脸识别的优势降维效果显著：PCA可以将高维的人脸图像数据降维到低维空间，大大减少了计算量和存储需求。特征提取直观：PCA提取的特征脸是基于人脸图像的全局信息，能够较好地反映人脸的主要特征。算法实现简单：PCA算法的实现相对简单，计算过程较为直观，易于理解和实现。
自学《机器学习》
qq_63843606的博客
07-13 1011
什么是机器学习？机器学习致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。机器学习所研究的主要内容，是关于在计算机上从数据中产生"模型"(model) 的算法，即"学习算法"(learning algorithm)。有了学习算法，我们把经验数据提供给它，它就能基于这些数据产生模型；在面对新的情况时，模型会给我们提供相应的判断。所以说机器学习是研究关于"学习算法"的学问。
图解72个机器学习基础知识点
悟道西方
07-01 905
因为在训练模型的时候，参数全是根据现有训练集里的数据进行修正、拟合，有可能会出现过拟合的情况，即这个参数仅对训练集里的数据拟合比较准确，这个时候再有一个数据需要利用模型预测结果，准确率可能就会很差。数据集扩增：即需要得到更多的符合要求的数据，即和已有的数据是独立同分布的，或者近似独立同分布的。从一个比较高的角度来认识AUC：仍然以异常用户的识别为例，高的AUC值意味着，模型在能够尽可能多地识别异常用户的情况下，仍然对正常用户有着一个较低的误判率（不会因为为了识别异常用户，而将大量的正常用户给误判为异常。
Python机器学习：从入门到精通
YunWisdom
07-18 1215
当您翻开此书，您正踏入一场数据与智慧的修行。机器学习，并非冰冷的符码，而是机器模拟人类洞察世界的法门。本书将带您，以Python为舟，泛游于算法之海。我们不只传授“术”，更探求其后的“道”——从数据的生灭流转中观照规律，于模型的迭代演进里体悟得失。愿您合上书卷时，收获的不仅是驾驭数据的技能，更有一双洞悉复杂、化繁为简的“智慧之眼”。现在，让我们一同启程。
机器学习：PCA降维及其在人脸识别中的应用（含代码实现）
riririch的博客
06-16 800
降维是指将高维数据通过某种方式映射到低维空间的过程，同时尽量保留原数据中的关键信息。在机器学习和数据挖掘中，尤其是图像处理、文本分析、生物信息等领域中，数据往往具有成百上千的特征维度，这些高维特征不仅计算开销大，还容易引发所谓的“维度灾难简单来说，降维的目的就是——用更少的特征，表示尽可能多的原始信息。先读取人脸数据并打标签。用PCA手动降维，提取主成分。用KNN基于降维特征训练模型并预测。输出准确率。画出特征脸、预测结果对比图，以及重建后的人脸图像对比，方便观察降维效果和识别效果。
求解L1正则化L2损失支持向量机问题的多层随机坐标下降算法.docx
12-15
该算法首先对问题进行粗糙模型的近似，然后利用 Armijo 线搜索求解步长，并在满足粗糙条件时，使用随机坐标下降算法求解精细模型的下一个迭代点。实验结果表明，该算法能够有效地解决L1正则化L2损失SVM问题。 本文...
SVM解决垃圾邮件分类问题-numpy实现Pegasons（机器学习作业03）
dejahu的博客
12-05 1447
SVM解决垃圾邮件分类问题-numpy实现Pegasons 参考资料 SVM-Pegasos实现_diskdj的博客-优快云博客 Pegasos算法 - 刘洪江的流水帐 (liuhongjiang.github.io) svm随机次梯度下降算法-pegasos_shiqi,bao的博客-优快云博客 【数据挖掘：支持向量机】_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili 第一题 答: 第二题 Pegasons的算法流程图如下所示： 上图是minibatch版本的Pegasons 查看数
贝叶斯预测好瓜坏瓜（机器学习作业05）
dejahu的博客
03-19 1367
机器学习第五次作业 第一题 高斯贝叶斯分类代码如下： import numpy as np def gaussian_bayes(x_0, x_1): n = len(data) c_0 = 0 c_1 = 0 mu_00 = 0 mu_01 = 0 mu_10 = 0 mu_11 = 0 var_00 = 0 var_01 = 0 var_10 = 0 var_11 = 0 var_0 = 0 var
numpy完成手写字体识别（机器学习作业02）
dejahu的博客
11-29 1164
numpy完成手写字体识别（机器学习02） 参考代码：mnielsen/neural-networks-and-deep-learning: 参考讲解：深度学习多分类任务的损失函数详解 - 知乎 (zhihu.com) softmax推导：【深度学习】：超详细的Softmax求导 第一题 推导过程如下： 第二题 数据预处理 首先拿到的数据是经过处理的二进制文件，需要先对数据进行预处理，原始的数据分为训练集、验证集和测试集三部分，分别是50000，10000，1000的数据大小，要将每张手写字体图
EM算法对人脸数据降维(机器学习作业06)
dejahu的博客
03-19 831
EM算法对人脸数据降维(机器学习作业06) 第一题 第二题 代码如下： import numpy as np import os from PIL import Image from scipy.linalg import sqrtm def loadFile(filepath): sample_list = np.zeros((0, 112 * 92)) for root, dirs, files in os.walk(filepath): for file in
对ex2data2.txt数据进行逻辑回归-numpy实现（机器学习作业01）
dejahu的博客
11-26 786
对’ex2data2.txt’数据进行逻辑回归-numpy实现（机器学习课程作业01） 答： 查看数据分布 def show_data(filename): data = np.loadtxt(filename, dtype=float, delimiter=',') x0 = [] y0 = [] x1 = [] y1 = [] for one_node in data: x = one_node[0] y = one_
Gartner发布CISO人工智能安全指南：将AI安全治理融入所有网络安全治理体系CISO_Edge_Cybersecu_833542_ndx.pdf
最新发布
12-08
Gartner发布CISO人工智能安全指南：将AI安全治理融入所有网络安全治理体系CISO_Edge_Cybersecu_833542_ndx.pdf
基于机器学习的人脸识别算法matlab
01-08
### 基于机器学习的人脸识别算法 MATLAB 实现 #### 一、概述 人脸识别技术近年来得到了广泛应用和发展。其中，基于卷积神经网络(CNN)的方法因其出色的性能而备受关注[^1]。然而，在某些应用场景下，传统的机器学习方法如主成分分析(PCA)同样能够提供有效的解决方案[^2]。 #### 二、PCA 算法简介 PCA 是一种线性降维技术，通过找到数据集中方差最大的方向来减少特征维度的同时保留尽可能多的信息。对于人脸识别而言，这意味着可以提取出最具代表性的面部特征向量用于后续分类任务。 #### 三、MATLAB 中 PCA 的实现流程 为了简化说明过程，这里给出一个简单版本的 PCA 面部识别系统的构建步骤： - **准备训练集**: 收集一组已知身份的人物正面照片作为样本库； - **预处理图像**: 将每张图片转换成固定大小（比如92×112像素），并将彩色图转为灰度图； - **计算协方差矩阵**: 对所有训练样本求平均人脸模板，并据此建立协方差阵； - **求解特征值与特征向量**: 利用 `eig` 函数获得前 k 大特征对应的正交基底； - **投影变换**: 把原始高维空间里的测试样本映射到低维子空间内表示； - **距离度量与匹配决策**: 计算新来的未知个体同已有类别中心之间的欧氏距离或其他相似性测度指标完成最终判定； 以下是具体的 MATLAB 示例代码片段展示如何利用上述理论框架搭建一个人脸检测模型: ```matlab % 加载 ORL 数据集 (假设已经下载并放置在当前工作目录下的 'orl' 文件夹中) load orl.mat; % 初始化参数设置 numSubjects = size(faceImages, 3); % 总人数 imageSize = prod(size(faceImages(:,:,1))); % 单幅图像尺寸 trainRatio = 0.7; % 设置训练/验证比例划分 numTrainSamplesPerSubject = round(trainRatio * numImagesPerPerson); % 构建训练集和测试集合 X_train = zeros(imageSize, sum(numTrainSamplesPerSubject)); y_train = []; for i=1:numSubjects idx_start = ((i-1)*numImagesPerPerson)+1; X_train(:,((i-1)*numTrainSamplesPerSubject)+(1:numTrainSamplesPerSubject)) ... = reshape(mean(double(squeeze(faceImages(:,:,idx_start:(idx_start+numTrainSamplesPerSubject-1)))),3), [], 1); y_train = [y_train; ones(numTrainSamplesPerSubject, 1)*(i)]; end % 执行 PCA 分析 [coeff,score,latent] = pca(X_train'); % 可视化部分主成分构成的新坐标系轴向分布情况 figure(); plot(coeff(:,1:2)); title('First Two Principal Components'); xlabel('Feature Index'); ylabel('Component Value'); % 测试阶段... ``` 这段脚本展示了从加载数据开始直到执行 PCA 转换的过程。实际应用时还需要补充更多细节，例如交叉验证机制的设计以及不同超参的选择优化等环节。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

肆十二

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值