糖葫芦君的博客

Pearson与Spearman相关系数的核心区别在于：Pearson衡量线性相关，基于原始数据值，要求变量正态分布且对异常值敏感；Spearman检测单调相关（线性或非线性），基于数据排名，适用于有序数据和非正态分布，对异常值稳健。Pearson（范围[-1,1]）适合精确测量线性关系，Spearman（同范围）更通用，尤其当数据存在异常值或非线性单调关系时。实际应用中，建议先使用Spearman进行稳健分析，若显示强相关且数据质量好，再用Pearson评估线性强度。两者均反映相关性而非因果性，需结合可视

在统计力学和数学中，玻尔兹曼分布（英语：Boltzmann distribution），或称吉布斯分布（英语：Gibbs distribution）[1]，是一种概率分布或概率测度，它给出一个系统处于某种状态的概率，是该状态的能量及温度的函数。该分布以下列形式表示：其中pi是系统处于状态i的概率，εi是该状态的能量，kT为玻尔兹曼常数k和热力学温度T的乘积。

本文主要介绍两个在目标检测中解决正负样本和easy，hard样本不平衡问题的方法，分别是发表在ICCV 2017上的Focal Loss for Dense Object Detection和AAAI 2019上的Gradient Harmonized Single-stage Detector。这两种方法都是通过调整每个样本的loss来解决不平衡问题。这两种方法都是针对目标检测任务提出的，首先...

熵的本质是香农信息量log1plog\frac{1}{p}logp1​现有关于样本即的2个概率分布p和q，其中p为真是分布，q为非真实分布。按照真实分布p来衡量识别一个样本所需要的编码长度的期望（即平均编码长度）为：H(p)=−∑ip(i)logp(i)H(p)=-\sum_i p(i)log p(i)H(p)=−i∑​p(i)logp(i)如果使用错误分布q来表示来自真是分布p的平均编码长度...

奇异值分解理论描述新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入理论描述奇异值分解（singular va...

 拉格朗日乘子法和KKT（Karush-Kuhn-Tucker）条件是求解约束优化问题的重要方法，再有等式约束时使用拉格朗日乘子法，在有不等式约束时使用KKT条件。前提是，只有当目标函数为凸函数时，使用这两种方法才能保证求得的是最优解。拉格朗日乘子法：设,是定义在上的连续可微函数，考虑约束最优化问题：将这个问题转换为：其中,称为拉格朗日乘子。下面依据wikipedi...

一.贝叶斯公式概率论的一些基本知识： 条件概率：P(A|B)P(A|B) 联合概率：P(AB)=P(B)∗P(A|B)=P(A)∗P(B|A)P(AB)=P(B)*P(A|B)=P(A)*P(B|A) 从而导出贝叶斯式:P(A|B)=P(AB)|P(B)=P(A)∗P(B|A)/P(B)P(A|B)=P(AB)|P(B)=P(A)*P(B|A)/P(B) 条件概率的链式法则： P(A1,A

对于方阵A，如果为非奇异方阵，则存在逆矩阵inv(A)对于奇异矩阵或者非方阵，并不存在逆矩阵，但可以使用pinv(A)求其伪逆inv：inv(A)*B实际上可以写成A\BB*inv(A)实际上可以写成B/A这样比求逆之后带入精度要高A\B=pinv(A)*B A/B=A*pinv(B)pinv：X=pinv(A),X=pinv(

今天看论文的时候又看到了协方差矩阵这个破东西，以前看模式分类的时候就特困扰，没想到现在还是搞不清楚，索性开始查协方差矩阵的资料，恶补之后决定马上记录下来，嘿嘿~本文我将用自认为循序渐进的方式谈谈协方差矩阵。统计学的基本概念学过概率统计的孩子都知道，统计里最基本的概念就是样本的均值，方差，或者再加个标准差。首先我们给你一个含有n个样本的集合X={X1,…,Xn}X={X1,…,X

矩阵的快速幂是用来高效地计算矩阵的高次方的。将朴素的o（n）的时间复杂度，降到log（n）。这里先对原理（主要运用了矩阵乘法的结合律）做下简单形象的介绍：一般一个矩阵的n次方，我们会通过连乘n-1次来得到它的n次幂。但做下简单的改进就能减少连乘的次数，方法如下：把n个矩阵进行两两分组，比如：A*A*A*A*A*A  =>  (A*A)*(A*A)*(A*A)这样变的好处是，你只