阳光玻璃杯

生成样本： opencv_createsamples -vec F:\work\ml\apple-rec\data\pos.vec -info F:\work\ml\apple-rec\data\pos\pos.txt -bg F:\work\ml\apple-rec\data\neg\neg.txt -w 80 -h 80 -num 38 训练 opencv_traincascade -

依然是学习《统计学习方法》一书所做的简单实验，写代码的过程参考了大量其他的博客，本人在此深表感谢。代码实现的依然是书上的例子： import numpy as npimport mathimport operatordef CreateDataSet(): dataset = [ [1, 0,0,0,'no'], [1, 0,0,1,'no'],

这里依然是学习《统计学习方法》一书中，K近邻算法的一个实验尝试。具体理论可参考该输，这里简单贴出K近邻算法的思想及实现步骤： 结果展示如下： 大的红点是传入的测试点，k传入的是5，也就是说大红点的周围5个点决定大红点的类别。 上图便是判定大红点属于红色类别的判别过程。也就是说，他周围最近邻的k个点进行投票表决，多数决定其类别。import numpy as npfrom matplotl

其灰度直方图为： 其灰度直方图为： 代码如下：def calHistogram(img): if(len(img.shape) != 2): print("img size error") return None histogram = {} for i1 in range(img.shape[0]): for i2 in

这里的代码应该是学习《统计学习方法》的实验练习吧。代码实现的是《统计学习方法》中第四章朴素贝叶斯法的一个实例，实例如下： 、实现的步骤也是按照书中的步骤，如有问题，谢谢指正。 import numpy as npimport pickleimport osdef creatDataAndLebels(): Xa = [1,1,1,1,1, 2,2,2,2,2, 3,3,3,3,3

K-Means 简介聚类算法有很多种（几十种），K-Means是聚类算法中的最常用的一种，算法最大的特点是简单，好理解，运算速度快，但是只能应用于连续型的数据，并且一定要在聚类前需要手工指定要分成几类。 具体实现步骤如下： 给定n个训练样本{x1，x2，x3，…，xn}　　kmeans算法过程描述如下所示：　　1.创建k个点作为起始质心点，c1，c2，…，ck 　　2.重复以下过程直到收敛

初学adaboost,自己尝试着写了下adaboost的实现，这个实现以几个简单的数字作为训练样本，当然，这些数字是带标签的。然后尝试着使用adaboost对其分类。对于10个带标签的数字，分类他们只需要3个左右的弱分类器级联，组成一个强分类器就可以完全正确的分类。如果代码本身没有bug的话，adaboost的表现的确惊艳。 另外，pathon也是初学，很多的编程思路和c,c++类似，总之，各方面

import cv2import numpy as npimport matplotlib.pyplot as pltdef integral(img): integ_graph = np.zeros((img.shape[0],img.shape[1]),dtype = np.int32) for x in range(img.shape[0]): sum_cl

本文主要分享笔者仿照Cifar-10二进制数据库的格式，自己制作机器学习使用的二进制数据库。经过封装后，非常方便使用。代码可用Github下载：BinaryDataset关于Cifar-10CIFAR-10数据集由10个类的60000个32x32彩色图像组成，每个类有6000个图像。 有50000个训练图像和10000个测试图像： 其数据在文件中的存贮格式如下：<1...