把习惯当成一种生活

贝叶斯公式学习机器学习和模式识别的人一定都听过贝叶斯公式(Bayes’ Theorem)：P ( A ∣ B ) = P ( B ∣ A ) P ( A ) P ( B ) P(A|B) = \frac{P(B|A)P(A)}{P(B)}P(A∣B)=P(B)P(B∣A)P(A)​【式1】贝叶斯公式看起来很简单，无非是倒了倒条件概率和联合概率的公式。把B展开，可以写成：P ( A ∣ B ) = P ( B ∣ A ) P ( A ) P ( B ∣ A ) P ( A ) + P ( B

参考：https://blog.youkuaiyun.com/u011508640/article/details/72815981概率和统计是一个东西吗？概率（probabilty）和统计（statistics）看似两个相近的概念，其实研究的问题刚好相反。一句话总结：概率是已知模型和参数，推数据。统计是已知数据，推模型和参数。概率研究的问题是，已知一个模型和参数，怎么去预测这个模型产生的结果的特性（例如均值，方差，协方差等等）。 举个例子，我想研究怎么养猪（模型是猪），我选好了想养的品种、喂养方式、猪棚的设计

归一化和标准化归一化归一化类型最大最小值归一化方差归一化标准化区别和联系归一化把特征映射到0～1范围之内处理。多个维度特征的量级不同，会导致训练出来模型中不同特征对应的w参数差异很大，容易导致参数小的特征对目标函数的影响被覆盖，所以需要对每个特征的数据进行归一化处理，以减少不同量级的特征数据覆盖其他特征对目标函数的影响。归一化数据可以使各个特征维度对目标函数的影响权重一致，提高迭代的求解的收敛速度。从经验上说，归一化是让不同维度之间的特征在数值上有一定比较性，可以大大提高分类器的准确性。归一化类型最

光束平差法代价函数代价函数求解-Levenberg_Marquardt方法代码实现流程图光束平差法采用光束平差法对射影空间下的多个相机运动矩阵及非编码元三维结构进行优化。光束平差法一般在各种重建算法的最后一步使用。这种优化方法的最大特点是可以处理数据丢失情况并提供真正的最大似然估计。代价函数argminPi,Mi∑i=1k∑j=1nvijd(Q(Pj,Mi),mij)2\mathop{arg

卡尔曼滤波@(机器学习)[状态方程|观测方程]卡尔曼滤波卡尔曼滤波简介卡尔曼滤波基本公式opencv源码剖析算法应用实例-目标跟踪卡尔曼滤波简介 如果你要测量的东西很容易测准确，没有什么随机干扰，那就不需要劳驾卡尔曼。有的时候，我们的测量因为随机干扰，无法准确得到，卡尔曼就给我们想了个办法，让我们在干扰为高斯分布的情况下，得到的测量均方误差最小，也就是测量值扰动最小，看起来最平滑1。卡