m0_58058919的博客

SVM：从类别上理解可以将SVM分为硬间隔SVM(hard-margin SVM)、软间隔SVM(soft-margin SVM)、核SVM。个人理解：在数据线性可分的前提下，硬间隔SVM是找到离分类平面较近的支持向量，再由支持向量找到最优超平面将数据进行分类。软间隔SVM是为了在线性不可分的数据中适用，对每个样本点引入一个松弛变量，即在约束条件中增加一个惩罚项。核技巧能够让svm从普通的特征空间映射到高纬空间，从而使得线性不可分的数据在高纬空间中可分。硬间隔SVM可以转化为一个凸优化问题，并调用cvxop

在手写数字识别中，0-9出现的先验概率为1/10，每张图片大小为32x32，转换为一个包含784个特征向量的一纬向量，计算每类中，784个特征向量出现的概率即为类条件概率。后验概率是在测试样本时使用。已知样本的先验概率，特征向量的类条件概率。就可以测试出测试集中的样本处于被归为某类的概率。类条件概率：每类中的样本取得某个具体特征向量的概率 P(x,wi)后验概率：样本取得某个具体特征向量时属于每类的概率 P(wi,x)先验概率：每类样本的出现的概率。

Kmeans算法原理：在给定K个初始聚类中心点的情况下，（1）把数据中的每个样本分到离其最近的聚类中心所代表的类中。（2）分类完后计算从新每个类的中心点（取平均值），然后进行迭代从新第（1）步和第（2）步。直到类中心点的变化很小，或者达到指定迭代次数。Python中在sklearn库有KMeans函数可调用。我实现的是直接调用，数据集在模板匹配算法中给出。

1、从Minist测试集中抽取1000张训练图片（前5000），200张测试图片（后5000），对应的数字是[8,4],同时将label转化为[1,-1]2.2、更新权值w(这里是一张一张图片进行计算，并不是每次计算都会更新权值，只有当yi*（w*x+b）...

模板匹配是图像处理的一个基础算法，在图像A中寻找到与图像B（模板）最相似的区域，opencv有相应的函数调用 cv.matchTemplate（img,template,参数）。模板是已知的、带标签的，将未知的样本和所有模板进行匹配，计算相似度。相似度如何计算呢，我们的研究对象是图像，可以计算图像和模板特征向量之间的距离（欧式距离）。研一的课程结束了，抓住暑假最后的尾巴，将模式识别与机器学习课程上的作业整理出来，当做是一次复习。作业要求为：使用模板匹配对手写数字，和车牌数字进行识别。...