oneDay的博客

ROC和AUC介绍以及如何计算AUCROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣，对两者的简单介绍见这里。这篇博文简单介绍ROC和AUC的特点，以及更为深入地，讨论如何作出ROC曲线图以及计算AUC。ROC曲线需要提前说明的是，我们这里只讨论二值分类器。对于分类

机器学习算法非常之多，下面是常见算法思想及优缺点比较。其中KNN、朴素贝叶斯、决策树（ID3、C4.5、CART）、逻辑回归这四类算法在总结一中，Adaboost、SVM、K-Means在总结二中。

机器学习算法非常之多，下面是常见算法思想及优缺点比较。其中KNN、朴素贝叶斯、决策树（ID3、C4.5、CART）这三类算法在总结一中，逻辑回归、Adaboost、SVM、K-Means在总结二中。

机器学习中常见算法都会用到参数估计以及损失函数，本文列出了常见的5中损失函数：0-1损失函数 、平方损失函数、绝对值损失函数、对数损失函数、合页损失函数。并总结了常见机器学习算法的目标函数、参数优化方法、损失函数，以表格的形式显示出来。

最近刷题看到特征降维相关试题，发现自己了解的真是太少啦，只知道最简单的降维方法，这里列出了常见的降维方法，有些算法并没有详细推导。特征降维方法包括：Lasso，PCA，小波分析，LDA，奇异值分解SVD，拉普拉斯特征映射，SparseAutoEncoder，局部线性嵌入LLE，等距映射Isomap。

提供发现埋藏数据深层的模式的能力上，机器学习有着潜在的能力使得应用程序更加的强大并且更能响应用户的需求。精心调校好的算法能够从巨大的并且互不相同的数据源中提取价值，同时没有人类思考和分析的限制。对于开发者而言，机器学习为应用业务的关键分析提供了希望，从而实现从改善客户体验到提供产品推荐上升至超个

转载出处：http://www.cnblogs.com/kshenf/archive/2012/02/07/2342034.html常用牛人主页链接（计算机视觉、模式识别、机器学习相关方向,陆续更新。。。。）如果没有链接的，请看原著作者博客。 牛人主页（主页有很多论文代码）Serge Belongie at UC San Diego Antonio Torralba at MIT Alexei

近年来,FCM 算法越来越受欢迎，被应用到各个领域范围，针对FCM算法的改进也越来越多。本文总结了近两年来的算法改进，如有改进算法不全请自己查找哦，论文太多啦。由于参考文献均为英文论文，这里就不翻译了，毕竟俺不是歪果仁。FCM变形，FCM改进，FCM

FCM算法来源聚类方法是一种研究数据结构的推导工具，可用于无监督模式识别技术、数据挖掘技术等。一般将聚类分为层次聚类和划分聚类。层次聚类算法产生一个嵌套聚类的层次，算法最多包含N步，在第t步，执行的操作就是在前t-1步的聚类基础上生成新聚类。划分聚类是基于目标函数的一种聚类方法。另一方面，可以将聚类分成hard和fuzzy两种聚类类型。这两种聚类方式均是基于隶属度来描述的。隶属度的概念是从模糊集理

Xi e一 Beni指标XB (Xi e & Beni, 1991年)划分系数与划分熵

gradientMag发现了一个很有用的图像处理工具箱:http://vision.ucsd.edu/~pdollar/toolbox/doc/index.html。 下载下来工具箱，将其解压，通过下面两行代码将此工具箱的文件放到MATLAB的可查询路径： addpath(genpath(‘D:\piotr_toolbox\toolbox’)); savepath;