lcmssd

跳转原文说明：写完才发现，文中的很多截图都被csdn打上水印，其实这些截图都来自上述原文，尊重原著！！根据WIKI孔明棋应该起源于欧洲，原名pegged, 不知道现在怎么和诸葛亮扯上了关系。规则和跳棋相似，但是一个人就可以玩，目标是按照规则移动棋子，最终只有一个棋子留在棋盘上。发展至今，pegged已经发展出很多新的形式，但是最典型的是如下形式33个棋子

RLS在很多情况下只比SVM略差，其目标函数是f(x) = w * x  + b通过在x最后增加一个维度，则b可融合进w，则f(x) = w * x利用kernel trick1. 映射到高维度，令w = sum{ alpha * g(x) }    g(x)是一个到维度的映射，实际中是不需要定义这个映射的    矩阵形式W = A * G2.点乘   把上面的w，带入目标函数，得到 f(x) =

相关滤波器的原理和模板匹配十分接近,用图像卷积的方法搜索参数空间,以最大响应作为输出.令h表示模板,a表示候选目标,目标在a里找到和h最接近的目标的位置和尺度,一个标准的模板匹配问题.利用图像卷积可以实现模板匹配,而空域中的卷积在频域中就是逐点相乘,当模板尺寸大于100时,可以极大提高卷积的速度.因为在视频中,物体在前后帧的变化一定不会很大,所以可以使用前一帧作为模板,在后一帧里搜

问题描述: 已知一个点集S，包含N个点，目标是拟合出一个直线L，使最多的点在L上求解：最小二乘法应该是第一个候选方法，如果不考虑噪声，最小二乘法给出的就是在MSE误差下的最优解。如果点集S中包含一定的噪声点，最小二乘法的结果将受噪声影响，偏离最优解，此时RANSAC是一个更好的方法。RANSAC的步骤如下步骤1. 从S中随机抽取2个点，用最小二乘法拟合出直线L步骤2. 计算S中属于L的点的个数n步...

参加kaggle比赛过程中,看到很多人在预处理阶段会对某些特征X做如下操作 Y = log(1+X), 说是可以把这个特征的分布正态化, 使其更加符合后面数据挖掘方法对数据分布的假设. 自己试了一下,有时的确可以提高准确度,有时却降低了准确度,很好奇其中的原理,遂在网上搜索了一番,整理如下. Y = log(1+X)这个操作的真名应该时boxcox变换,用来降低X的skewness值,达到接近正...