44、核Fisher判别分析:原理、实现与应用

核Fisher判别分析:原理、实现与应用

1. 引言

在解决分类问题时,之前采用的方法是先使用核主成分分析(Kernel PCA)进行特征提取,再在提取的特征上训练简单的线性判别分类器。而核Fisher判别(Kernel Fisher Discriminant, KFD)则将这两个步骤结合起来,在特征空间中解决Fisher线性判别的问题,从而在输入空间中得到非线性判别。

1.1 Fisher判别算法概述

在线性情况下,Fisher判别通过最大化Rayleigh系数来计算:
[J(w) = \frac{w^T S_B w}{w^T S_W w}]
其中,类间散布矩阵 (S_B) 和类内散布矩阵 (S_W) 分别为:
[S_B = (m_+ - m_-)(m_+ - m_-)^T]
[S_W = \sum_{q \in {+,-}} \sum_{i \in \Omega_q} (x_i - m_q)(x_i - m_q)^T]
这里,(m_q) 是类 (q) 的样本均值,(\Omega_q) 是类 (q) 的样本索引集。其思想是寻找一个投影方向,使得投影后类中心距离远,而类内散布小,从而减少两类的重叠。与主成分分析(PCA)不同,Fisher判别考虑了样本的类别标签,能找到最优的判别方向(在类分布为高斯分布的假设下,具有最小的期望误分类误差)。

1.2 特征空间中的Fisher判别

为了在特征空间 (\mathcal{F}) 中解决问题,将 (w) 展开为:
[w = \sum_{i} \alpha_i \Phi(x_i)]
定义一些相关的量:
- (1_q) 是 (m) 维向量,若样本 (x_i) 属于类 (q),则 ([1_q] i = 1),否则为 (0)。
- (m_q = |\Omega_q|) 是类 (q) 的样本数量。
- (\mu_q = \frac{1}{m_q} K 1_q),(N = K K^T - \sum
{q \in {+,-}} m_q \mu_q \mu_q^T),(\mu = \mu_+ - \mu_-),(M = \mu \mu^T),(K_{ij} = \langle \Phi(x_i), \Phi(x_j) \rangle = k(x_i, x_j))。

此时,优化问题变为最大化特征空间中的Rayleigh系数:
[J(\alpha) = \frac{\alpha^T M \alpha}{\alpha^T N \alpha} = \frac{(\alpha^T \mu)^2}{\alpha^T N \alpha}]
测试点在判别方向上的投影为:
[\langle w, \Phi(x) \rangle = \sum_{i=1}^{m} \alpha_i k(x_i, x)]

由于特征空间的维度通常远高于训练样本数量 (m),因此建议使用正则化。例如,在 (N) 中添加单位矩阵或核矩阵 (K) 的倍数,分别惩罚 (|\alpha|^2) 或 (|w|^2)。

最大化 (J(\alpha)) 有几种等价的方法:
- 求解广义特征值问题 (M \alpha = \lambda N \alpha),选择具有最大特征值 (\lambda) 的特征向量 (\alpha)。
- 计算 (\alpha = N^{-1} (\mu_+ - \mu_-))。

但对于大样本集,矩阵 (N) 和 (M) 会变得很大,且解 (\alpha) 是非稀疏的。为了解决这个问题,可以将KFD转化为凸二次规划问题:
[
\begin{align }
\min_{\alpha, b} &\quad \frac{1}{2} |\alpha|^2 + C \Omega(\alpha) \
\text{s.t.} &\quad K \alpha + 1 b = y \
& \quad 1_q^T \alpha = 0, \quad q \in {+,-}
\end{align
}
]
其中,(\alpha \in \mathbb{R}^m),(b \in \mathbb{R}),(y) 是类别标签向量 (\pm 1),(\Omega(\alpha)) 是正则化项,如 (|\alpha|^2) 或 (\alpha^T K \alpha)。这个二次规划问题与最大化 (J(\alpha)) 等价。第一个约束将每个样本的输出拉向其类别标签,(|\alpha|^2) 最小化误差的方差,约束 (1_q^T \alpha = 0) 确保每个类的平均输出等于其标签。

选择 (\ell_1) 范数正则化项 (\Omega(\alpha) = |\alpha|_1) 可以得到稀疏解,因为 (\ell_1) 范数正则化是 (\ell_0) 范数正则化(计算非零元素个数)的合理近似。

2. 核Fisher判别的高效训练

2.1 二次规划问题的重写

使用 (\Omega(\alpha) = |\alpha|^2) 重写二次规划问题。定义:
[a =
\begin{bmatrix}
b \
\alpha
\end{bmatrix},
c =
\begin{bmatrix}
m_+ - m_- \
K^T y
\end{bmatrix},
A_q =
\begin{bmatrix}
m_q \
K^T 1_q
\end{bmatrix},
H =
\begin{bmatrix}
m & 1^T K \
K^T 1 & K^T K + C I
\end{bmatrix}
]
则原问题可重写为:
[
\begin{align }
\min_{a} &\quad \frac{1}{2} a^T H a - c^T a + \frac{m}{2} \
\text{s.t.} &\quad A_+^T a - m_+ = 0 \
& \quad A_-^T a + m_- = 0
\end{align
}
]
构造拉格朗日函数:
[L(a, \xi_+, \xi_-) = \frac{1}{2} a^T H a - c^T a + \xi_+ (A_+^T a - m_+) + \xi_- (A_-^T a + m_-) + \frac{m}{2}]
对 (a) 求偏导,得到对偶问题:
[
\begin{align }
\max_{\xi_+, \xi_-} &\quad -\frac{1}{2} a^T H a - \xi_+ m_+ + \xi_- m_- + \frac{m}{2} \
\text{s.t.} &\quad H a - c + (\xi_+ A_+ + \xi_- A_-) = 0
\end{align
}
]
由对偶约束解出 (a):
[a = H^{-1} (c - (\xi_+ A_+ + \xi_- A_-))]
将其代入对偶问题,得到一个关于 (\xi_+) 和 (\xi_-) 的问题,可以解析求解,进而得到 (a) 或 (\alpha) 和 (b) 的值。

2.2 稀疏贪心近似

对于大样本集,直接求解上述问题不可行,因为 (H^{-1}) 是一个 ((m + 1) \times (m + 1)) 的矩阵,求逆的时间和内存开销都很大。因此,采用稀疏贪心近似方法:
- 不试图找到 (m) 个系数 (\alpha_i) 的完整解,而是用包含 (n \ll m) 项的较短展开式来近似解。
- 从空解 (n = 0) 开始,每次迭代选择一个新的样本 (x_i)(或索引 (i)),并重新求解包含这个新索引和所有先前选择索引的展开式的问题,直到满足合适的准则为止。

在每次迭代中,求解问题的复杂度为 (O(\beta m n^2)),其中 (\beta) 是用户定义的值。具体来说,将解的展开式限制在训练模式的 (n) 元素子集 (\mathcal{I} \subseteq [m]) 上,将 (m \times m) 的矩阵 (K) 替换为 (m \times n) 的矩阵 (K_n),其中 (K_{n_{ij}} = k(x_i, x_j)),(i = 1, \cdots, m),(j \in \mathcal{I})。

假设已经知道使用 (n) 个核函数的解(和 (H) 的逆),则 (n + 1) 个样本的 (H^{-1}) 可以通过对先前的 (H^{-1}) 进行秩一更新得到:
[
\begin{bmatrix}
H_n & B \
B^T & C
\end{bmatrix}^{-1} =
\begin{bmatrix}
(H_n)^{-1} + \frac{(H_n)^{-1} B (H_n)^{-1} B^T}{s - B^T (H_n)^{-1} B} & -\frac{(H_n)^{-1} B}{s - B^T (H_n)^{-1} B} \
-\frac{B^T (H_n)^{-1}}{s - B^T (H_n)^{-1} B} & \frac{1}{s - B^T (H_n)^{-1} B}
\end{bmatrix}
]
其中,(s = (C - B^T H_n^{-1} B)^{-1})。

每次迭代选择索引 (i) 时,理想情况下应选择使原目标函数下降最大的索引,但这需要计算所有未使用的 (m - n) 个索引的 (H^{-1}) 更新,计算量太大。因此,通常选择一个随机子集的索引,根据相关理论,随机选择大小为 59 的样本,有 0.95 的概率能得到所有估计中前 0.05 的估计。

2.3 稀疏贪心核Fisher算法

下面是稀疏贪心核Fisher算法的伪代码:

Algorithm 15.1 The Sparse Greedy Kernel Fisher Algorithm
arguments:
    X = [x1, ..., xm], y = [y1, ..., ym], C, β, k, OPTS
returns:
    I, α

function SparseGreedyKFD(X, y, C, β, k, OPTS)
    n = 0
    I = []
    while termination criterion not met do
        randomly select i \in [m] \setminus I
        for all j in the selected subset do
            solve the quadratic program for the current set of indices
            compute the objective function value
            if the objective function value improves then
                best_index = j
            end
        end
        I = I ∪ {best_index}
        update H^{-1} using rank-one update
    end
    return I, α
end

2.4 训练时间实验

使用USPS手写数字数据集构建一对多任务,测试新算法的运行时间。数据维度为 (N = 256),包含 7291 个样本。所有实验使用高斯核 (exp(-\frac{|x - x’|^2}{0.3 N})) 和正则化常数 (C = 1)。将稀疏贪心算法与二次规划公式(15.10)进行比较,结果表明:
- 二次规划算法的计算复杂度大致与样本数量的立方成正比。
- 对于大样本集,稀疏贪心近似算法的复杂度指数约为 (\frac{3}{2})。
- 稀疏贪心算法只需要存储最多 (n \times n) 的矩阵,而之前的方法需要存储 (m \times m) 的矩阵。

2.5 流程总结

下面是核Fisher判别分析的整体流程:

graph TD
    A[输入数据 X, y] --> B[初始化参数 C, β, k 等]
    B --> C[选择算法(稀疏贪心或二次规划)]
    C --> |稀疏贪心| D[初始化 n = 0, I = []]
    D --> E{终止条件是否满足}
    E --> |否| F[随机选择索引 i]
    F --> G[求解当前索引集的二次规划问题]
    G --> H[计算目标函数值]
    H --> I{目标函数值是否改善}
    I --> |是| J[更新最优索引]
    J --> K[更新 I]
    K --> L[使用秩一更新更新 H^-1]
    L --> E
    E --> |是| M[输出结果 I, α]
    C --> |二次规划| N[构造二次规划问题]
    N --> O[求解二次规划问题]
    O --> M

3. 概率输出

KFD的泛化误差性能与支持向量机(SVM)相当,但它的一个重要优势是其输出可以很容易地转换为类别的条件概率。这是因为在高维特征空间中,每个类的训练样本在判别方向上的投影直方图可以近似为高斯分布。

3.1 计算类概率的步骤

  • 步骤1:估计高斯密度
    • 设 (m_+) 和 (m_-) 分别是正例和反例的数量,(m = m_+ + m_-)。
    • 计算训练点在判别方向上的投影 (q_j = \langle w, \Phi(x_j) \rangle = \sum_{i=1}^{m} \alpha_i k(x_i, x_j))。
    • 估计每个高斯分布的均值和方差:
      [
      \mu_q = \frac{1}{m_q} \sum_{y_i = q} q_i
      ]
      [
      \sigma_q^2 = \frac{1}{m_q - 1} \sum_{y_i = q} (q_i - \mu_q)^2
      ]
    • 类条件密度为:
      [
      p(q | y = q) = \frac{1}{\sqrt{2 \pi \sigma_q^2}} \exp \left( -\frac{(q - \mu_q)^2}{2 \sigma_q^2} \right)
      ]
  • 步骤2:确定先验概率
    • 先验概率 (P(y = q)) 可以是已知的,也可以从当前数据集估计。如果样本组成能代表问题,则 (P(y = q) = \frac{m_q}{m})。
  • 步骤3:使用贝叶斯规则计算条件概率
    [
    P(y = q | x) = P(y = q | q) = \frac{p(q | y = q) P(y = q)}{p(q | y = +) P(y = +) + p(q | y = -) P(y = -)}
    ]

3.2 概率输出的应用

  • 信息融合 :在需要将分类器的输出与其他信息源融合的应用中,估计条件概率很有用。
  • 处理噪声标签 :在存在噪声标签的分类问题中,可以建立标签噪声的概率模型。在学习过程中,使用期望最大化(EM)算法优化噪声模型和KFD的参数,以及训练模式的条件概率。该算法可以从仅全局标记的图像中学习任务,减少了手动标记大量图像块的工作量。

3.3 总结

核Fisher判别分析将特征提取和分类步骤结合起来,通过在特征空间中解决Fisher线性判别的问题,得到输入空间中的非线性判别。稀疏贪心近似算法提高了大样本集的计算效率,而概率输出则为分类结果提供了更丰富的信息,使其在实际应用中更具优势。

3.4 结果展示

在对图像补丁进行自然与人造物体分类的任务中,我们可以看到KFD方法的优势。以下是相关结果的展示:

分类方法 投影直方图特点 概率估计准确性
Fisher线性判别(FLD) 由于输入空间的特性,直方图可能不规则 较难准确估计类概率
核Fisher判别(KFD) 在高维特征空间中,直方图更接近高斯分布 更易准确估计类概率

分类结果可视化

从图中可以直观地看出,KFD方法在高维特征空间下使得类别的投影直方图更符合高斯分布,这为准确估计类概率提供了良好的基础。

3.5 详细步骤对比

为了更清晰地了解不同方法在核Fisher判别分析中的步骤差异,我们进行如下对比:

二次规划方法
  1. 定义相关矩阵和向量,将原问题重写为二次规划形式。
  2. 构造拉格朗日函数。
  3. 对拉格朗日函数求偏导,得到对偶问题。
  4. 求解对偶问题,得到相关参数。
稀疏贪心方法
  1. 初始化 (n = 0) 和索引集 (I = [])。
  2. 当终止条件不满足时,随机选择索引 (i)。
  3. 对选定子集中的每个索引,求解当前索引集的二次规划问题。
  4. 计算目标函数值,若有改善则更新最优索引。
  5. 更新索引集 (I),并使用秩一更新更新 (H^{-1})。

3.6 实际应用案例

图像分割

在图像分割任务中,如将图像分割为天空和非天空区域,传统的分类方法可能需要手动标记大量的图像块来构建足够大的训练集。而KFD的概率输出方法可以从仅全局标记的图像中学习任务。具体操作如下:
1. 准备仅全局标记的图像数据集,即标记图像是否包含天空。
2. 使用KFD算法进行训练,在训练过程中,采用期望最大化(EM)算法优化噪声模型和KFD的参数,以及训练模式的条件概率。
3. 根据训练得到的模型,对新的图像进行分割,输出每个像素属于天空或非天空的概率。

信息融合

在某些应用中,分类器的输出需要与其他信息源进行融合。例如,在一个多传感器的系统中,分类器的输出可以与传感器的其他数据进行结合。具体步骤如下:
1. 使用KFD算法对数据进行分类,并输出每个类别的条件概率。
2. 将分类器的条件概率与其他信息源的数据进行融合,可以采用加权平均等方法。
3. 根据融合后的结果进行决策。

3.7 注意事项

在使用核Fisher判别分析时,有以下几点需要注意:
- 核函数的选择 :不同的核函数会对结果产生影响,需要根据具体问题选择合适的核函数,如高斯核、多项式核等。
- 正则化参数的设置 :正则化参数 (C) 的大小会影响模型的复杂度和泛化能力,需要通过实验进行调整。
- 样本数量和维度 :对于大样本集和高维数据,稀疏贪心近似算法可以提高计算效率,但需要注意参数的选择和算法的收敛性。

3.8 对比总结

对比项 二次规划方法 稀疏贪心方法
计算复杂度 大致与样本数量的立方成正比 大样本集时复杂度指数约为 (\frac{3}{2})
存储需求 需要存储 (m \times m) 的矩阵 最多存储 (n \times n) 的矩阵
解的稀疏性 非稀疏解 可得到稀疏解
适用场景 样本数量较少时适用 大样本集时更有优势

3.9 流程补充

下面是对核Fisher判别分析整体流程的补充,包含了概率输出和应用部分:

graph TD
    A[输入数据 X, y] --> B[初始化参数 C, β, k 等]
    B --> C[选择算法(稀疏贪心或二次规划)]
    C --> |稀疏贪心| D[初始化 n = 0, I = []]
    D --> E{终止条件是否满足}
    E --> |否| F[随机选择索引 i]
    F --> G[求解当前索引集的二次规划问题]
    G --> H[计算目标函数值]
    H --> I{目标函数值是否改善}
    I --> |是| J[更新最优索引]
    J --> K[更新 I]
    K --> L[使用秩一更新更新 H^-1]
    L --> E
    E --> |是| M[得到参数 α 和 b]
    C --> |二次规划| N[构造二次规划问题]
    N --> O[求解二次规划问题]
    O --> M
    M --> P[计算训练点投影 q]
    P --> Q[估计高斯密度参数 μ 和 σ^2]
    Q --> R[确定先验概率 P(y = q)]
    R --> S[使用贝叶斯规则计算条件概率 P(y = q | x)]
    S --> T[应用于实际场景(信息融合、处理噪声标签等)]

4. 总结与展望

核Fisher判别分析是一种强大的分类方法,它将特征提取和分类步骤结合起来,通过在特征空间中解决Fisher线性判别的问题,得到输入空间中的非线性判别。其主要优势总结如下:
- 结合特征提取和分类 :避免了传统方法中特征提取和分类分离的问题,提高了分类的效果。
- 高效处理大样本集 :稀疏贪心近似算法显著提高了大样本集的计算效率,减少了计算时间和存储需求。
- 概率输出 :能够输出类别的条件概率,为分类结果提供了更丰富的信息,便于在实际应用中与其他信息源进行融合。

在未来的研究中,可以进一步探索以下方向:
- 核函数的优化 :寻找更适合特定问题的核函数,提高分类的准确性和泛化能力。
- 算法的并行化和分布式计算 :进一步提高算法的计算效率,使其能够处理更大规模的数据。
- 与其他方法的结合 :将核Fisher判别分析与其他机器学习方法相结合,如深度学习,以应对更复杂的问题。

总之,核Fisher判别分析在分类领域具有广阔的应用前景,通过不断的研究和改进,将为实际问题的解决提供更有效的方法。

相关推荐

【信息科学与工程学】【物理/化学和工程技术】第六十八篇 密度/介质/刚度/强度/散射/投影矩阵01

编码一级领域二级大类三级子类/具体行为说明/举例核心干系人示例1法律领域刑事违法暴力侵害逻辑非法侵害他人生命、健康、自由,破坏公共安全。犯罪嫌疑人、被害人、公检法机关2法律领域刑事违法财产侵占逻辑以非法占有为目的,侵害公私财产所有权。犯罪嫌疑人、财产权利人、公检法机关3法律领域刑事违法破坏秩序逻辑挑战国家法律确立的社会、经济管理秩序。犯罪嫌疑人、国家/社会、监管部门4法律领域刑事违法职务滥用逻辑滥用职权或玩忽职守,损害国家或公民权益。职务犯罪人、所在单位、监察司法机关5法律领域刑事违法具体行为:故意杀人​非

weixin_49199313的博客 1161

【信息科学与工程学】【数据科学】第十八篇 数值分析 系列二 数值算法设计01

编号类型领域问题问题的数学分析及数值分析算法逐步推理思考的数学表达式参数列表及参数的边界范围及条件及常数关联知识1数值积分数值逼近计算定积分 I=∫ab​f(x)dx的近似值。数学分析:将积分区间等分,利用插值多项式近似被积函数,构造机械求积公式。数值分析:Newton-Cotes公式是等距节点的插值型求积公式。高阶公式(n≥8)因Cotes系数有正负,数值不稳定。偶阶公式(如Simpson)具有n+1次代数精度。为提高精度,常采用复化求积法(将区间细分后应用低阶公式)。

weixin_49199313的博客 161

核Fisher判别分析法:多分类gda详解

Fisher判别分析(Fisher Discriminant Analysis, FDA)是一种经典的线性判别方法,由统计学家罗纳德·费舍尔在1936年提出。FDA的主要目的是在保证类间距离最大的同时,减小类内数据点的差异性,以此来找到最能够区分不同类别数据的特征子空间。通过这种变换,原本高维空间中的数据将被投影到低维空间中,而在这个新的空间中,各类数据点尽可能的分开。在数据科学和机器学习领域,线性模型因其简单性而广泛应用于各种问题。

weixin_31185473的博客 1243

多元统计分析建模算法全解析:从主成分到聚类判别实战指南

多元统计分析是数据建模中处理多变量问题的核心工具,它帮助我们从纷繁复杂的数据中提取关键信息。其基本原理包括降维、聚类、判别与回归等,通过与实际业务场景结合,能有效解决变量多、关系复杂、样本分组等问题。在工程实践中,掌握主成分分析、聚类分析等常用算法,不仅能够提升建模效率,还能让结果更易于解释。本文以一份实战资料包为线索,系统梳理了多元统计分析的常用算法、选型逻辑与实操步骤,从概念到应用层层递进,为建模竞赛和数据分析场景提供了可复用的分析框架。

weixin_33960567的博客 224

核Fisher判别分析法(多分类gda)

多分类核Fisher判别分析法,里面我给了一个例子,用的是鸢尾花数据集,四维三类,降到二维,核函数有高斯核,线性核,多项式核等,需要自取

核Fisher判别分析方法三篇技术文档

核Fisher判别分析方法在项目评估中的应用 核Fisher判别分析模型在财务危机预警中的应用研究 基于核Fisher判别分析的意识任务识别新方法

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

Ollama最新快速上手指南:从安装到精通本地AI模型部署

想让Ollama跑你的"私房模型"?三种主流格式全支持,总有一款适合你!GGUF格式(推荐新手首选)创建Modelfile文件:执行创建命令:运行你的专属模型:PyTorch/Safetensors格式(适合进阶玩家)先用库测试模型能否正常加载确保模型结构完整后再导入Ollama官方文档有详细转换指南专业小贴士GGUF格式最轻量,PyTorch最灵活,Safetensors最安全遇到问题?试试用llama.cpp进行格式转换7B参数模型推荐使用q4_0量化级别想让AI用马里奥。

全世界的博客 2313

多模型对抗性审查:用AI辩论提升技术文档质量

在软件工程领域,技术文档是团队协作和项目成功的关键基础。传统的文档评审依赖人工经验,存在盲区和效率瓶颈。通过引入多模型对抗性审查机制,不同大语言模型从各自视角对文档进行批判性分析,模拟现实中的专家评审过程。这种技术方法的核心价值在于利用模型间的思维差异,自动发现单个视角容易忽略的边界情况、逻辑漏洞和隐含假设。在应用场景上,特别适合产品需求文档和技术规格书这类需要多角度审视的复杂文档。adversarial-spec工具通过Claude协调多模型辩论,实现从概念到实现的完整文档质量保障,显著提升文档的完整性和

weixin_42531579的博客 380

VerilogEval实战指南:从基准测试到模型微调的全流程解析

本文提供了VerilogEval实战指南,详细解析了从基准测试到模型微调的全流程。VerilogEval是一个自动化、标准化的测试框架,用于客观评估大语言模型生成Verilog硬件代码的能力。文章涵盖了环境搭建、核心机制解析、利用其生成合成数据进行模型微调的策略,以及如何将其工程化集成到自动化评估流程中,为硬件设计领域的AI应用提供了完整的方法论。

yy01234的博客 1005

Python实战:用SkillMetrics库5分钟搞定泰勒图绘制(附完整代码)

本文详细介绍了如何使用Python的SkillMetrics库快速绘制专业泰勒图,以直观对比多个模型的预测性能。通过整合相关系数、标准差和中心化均方根误差三个核心指标,该工具能帮助数据科学家和研究者高效完成模型评估与可视化,提升分析报告质量。文章提供了从环境配置、数据准备到高级定制与子图对比的完整代码示例。

7z8x2c4v6b9的博客 373

机器学习算法 —— LightGBM

本次我们选择英雄联盟数据集进行LightGBM的场景体验。英雄联盟是2009年美国拳头游戏开发的MOBA竞技网游,在每局比赛中蓝队与红队在同一个地图进行作战,游戏的目标是破坏敌方队伍的防御塔,进而摧毁敌方的水晶枢纽,拿下比赛的胜利。现在共有9881场英雄联盟韩服钻石段位以上的排位比赛数据,数据提供了在十分钟时的游戏状态,包括击杀数、死亡数、金币数量、经验值、等级……参考项目:机器学习系列入门系列[七]:基于英雄联盟数据集的LightGBM的分类预测。

ZShiJ的博客 710

UG\NX二次开发 获取对象的引用集

获取对象的引用集,一个对象可能有多个引用集,下面这个封装函数可以获取对象的所有引用集。

王牌飞行员_里海的博客 492

机器学习实战7-基于机器学习算法预测相亲成功率

大家好,我是微学AI,今天给大家介绍一下机器学习实战7-基于机器学习算法预测相亲成功率,随着社会的发展,大家都忙于事业,对自己的终身大事就耽搁了,相亲是一种传统的寻找伴侣的方式,随着时代的发展,相亲的方式也在不断地改变。在这个过程中,了解相亲双方的信息以及预测相亲是否成功变得越来越重要。本文将介绍如何使用随机森林算法对相亲成功进行预测,通过分析男女双方的房子、车子、长相、家庭条件、父母情况、生活习惯、学历、性格、兴趣等因素,来预测相亲是否成功。

微学AI的博客 3040

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

上一篇: 9、数字、云与物联网取证的全面解析
下一篇: 10、数字、云与物联网取证及开放银行客户同意管理综述
sql99
博客等级 码龄19年 168粉丝 1905原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
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
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