u011801891的博客

本文的目的在于介绍回归建模时变量选择和正则化所用的R包，如glmnet,ridge,lars等。算法的细节尽量给文献，这个坑太大，hold不住啊。1.变量选择问题：从普通线性回归到lasso使用最小二乘法拟合的普通线性回归是数据建模的基本方法。其建模要点在于误差项一般要求独立同分布（常假定为正态）零均值。t检验用来检验拟合的模型系数的显著性，F检验用来检验模型的显著性（方差

转载于：http://blog.youkuaiyun.com/tangwei2014OpenCV中每次遇到矩阵乘法就乱，各种翻各种查。这次总结了一下，为了简单明了，还是让例子说话。1. Mat*Mat：第一个矩阵的列数必须等于第二个矩阵的行数。[0, 1, 2, 3;     [0, 0, 0;       [14, 14, 14; 0, 1, 2, 3;  *

1、LibSVM下载：官网一般提供的都是最新版的http://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html。本篇基于3.20进行配置，可以从我上传的资料中下载：http://download.youkuaiyun.com/detail/u011801891/97337882、配置环境为：LibSVM-3.20Windows 10M

1、matlab中的imread相当于OpenCV中的cvLoadImage(imageName, CV_LOAD_IAMGE_ANYDEPTH | CV_LOAD_IMAGE_ANYCOLOR)：读出的图像信息保持了原有图像的信息(包括通道信息和位深信息)；rgb2gray相当于cvLoadImage(imageName, CV_LOAD_IMAGE_GRAYSCALE)：单通道灰度图；或

在将matlab代码改写为C++时碰到了gradient函数，大概看了下matlab中gradient函数的代码实现，可分为两个部分：1、[f,ndim,loc,rflag] = parse_inputs(f,v)：分析输入数据的情况，比如确定输入数据的维数等。2、varargout = gradient(f,varargin)：这是核心部分。以二维矩阵作为输入对象，精简后，思路如下：