<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Rabbitbubu的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Rabbitbubu</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Rabbitbubu]]></copyright><item><title><![CDATA[主成分分析法]]></title><link>https://blog.youkuaiyun.com/Rabbitbubu/article/details/61615710</link><guid>https://blog.youkuaiyun.com/Rabbitbubu/article/details/61615710</guid><author>Rabbitbubu</author><pubDate>Sun, 12 Mar 2017 11:48:05 +0800</pubDate><description><![CDATA[主成分分析法
1、定义：
  主成分分析旨在利用降维的思想，将原来众多具有一定相关性的指标x1.x2....xp重新组合成一组互不相关的综合指标Fm（主成分）来代替原指标
  Fm=a1m*X1+a2m*X2.......+apm*Xp，其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复，主成分Fm的方差Var（Fm）越大，其所含信息量越多，一般F1信息量最多，称为第一主成分。]]></description><category></category></item><item><title><![CDATA[高斯混合模型]]></title><link>https://blog.youkuaiyun.com/Rabbitbubu/article/details/61200284</link><guid>https://blog.youkuaiyun.com/Rabbitbubu/article/details/61200284</guid><author>Rabbitbubu</author><pubDate>Fri, 10 Mar 2017 16:51:37 +0800</pubDate><description><![CDATA[高斯混合模型
1、定义：
     高斯混合模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，它是一个将事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。


2、数学推导：
主要更新参数：均值μ      方差∑
设有一组数据x，其中隐含一随机过程z，x与z之间有join概率， 
且满足联合分布：
Z服从多项式分布:
在Z给定的情况下，X服从正态分布：]]></description><category></category></item><item><title><![CDATA[K-means聚类算法]]></title><link>https://blog.youkuaiyun.com/Rabbitbubu/article/details/58602410</link><guid>https://blog.youkuaiyun.com/Rabbitbubu/article/details/58602410</guid><author>Rabbitbubu</author><pubDate>Tue, 28 Feb 2017 16:12:27 +0800</pubDate><description><![CDATA[k-means聚类算法




1、K-means聚类作用：
    K-means算法采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大
准则将靠近的点集归为一类
 
，将相互紧凑且独立的点分为一类，从而对样本点进行分类。


2、K-means聚类算法流程：
（1） 从 n个数据对象任意选择 k 个对象作为初始聚类中心；
（2） 根据每个聚类对象]]></description><category></category></item><item><title><![CDATA[图像基本运算]]></title><link>https://blog.youkuaiyun.com/Rabbitbubu/article/details/54291335</link><guid>https://blog.youkuaiyun.com/Rabbitbubu/article/details/54291335</guid><author>Rabbitbubu</author><pubDate>Mon, 09 Jan 2017 18:00:55 +0800</pubDate><description><![CDATA[图像基本运算
  图像处理是建立在各种算法基础上的处理方法，图像基本运算主要包括点运算、代数运算（加、减、乘、除）、逻辑运算（与、或、非）和几何运算（平移、镜像、旋转、缩放）。这些基本运算都具有十分重要的意义，如：改变输入图像的灰度级、降低图像的噪声、进行各种各样的几何变换。




（1）点运算（Point Operation）
  点运算是对图像的每个像素点的灰度值按一定的映射关]]></description><category></category></item><item><title><![CDATA[SVM算法]]></title><link>https://blog.youkuaiyun.com/Rabbitbubu/article/details/54020791</link><guid>https://blog.youkuaiyun.com/Rabbitbubu/article/details/54020791</guid><author>Rabbitbubu</author><pubDate>Wed, 04 Jan 2017 16:30:17 +0800</pubDate><description><![CDATA[SVM分类算法

（1）svm定义及特性
  
  定义：在机器学习领域， 支持向量机SVM(Support Vector Machine)是一个有监督的学习模型，通常用来进行模式识别、分类、以及回归分析。


  一般特征：
  1、SVM学习问题可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局最小值。而其他分类方法（如基于规则的分类器和人工神经网络）都采用一种]]></description><category></category></item><item><title><![CDATA[机器学习—梯度下降算法]]></title><link>https://blog.youkuaiyun.com/Rabbitbubu/article/details/52957759</link><guid>https://blog.youkuaiyun.com/Rabbitbubu/article/details/52957759</guid><author>Rabbitbubu</author><pubDate>Fri, 28 Oct 2016 16:51:11 +0800</pubDate><description><![CDATA[梯度下降算法
    梯度下降算法是一个最优化算法，它是沿梯度下降的方向求解极小值（也可以沿梯度上升方向求解极大值的一种方法。




    众所周知，我们从山顶下山，想要求得到山脚路程最短的一条路径，那么我们每次都应该沿着最陡峭的方向下山。
下山问题即可简化成我们这里所说的梯度下降问题。最陡峭的方向即为函数斜率绝对值最大的方向。那么，为什么沿斜率方向函数值下降的最快呢？我们可以运]]></description><category></category></item></channel></rss>