基于SVM的字母验证码识别 摘要 本文研究的问题是包含数字和字母的字符验证码的识别。我们采用的是传统的字符分割识别方法，首先将图像中的字符分割出来，然后再对单字符进行识别。首先通过图像的初步去噪、滤波、形态学操作等一系列预处理过程，我们能够将图像中的噪点去除掉。为了将字符分割开来，我们利用Kmean ...
分类：
其他好文 时间：
2018-07-11 01:05:47
阅读次数：
543
(1)涉及到的算法 1.监督学习：线性回归，逻辑回归，神经网络，SVM。 线性回归（下面第三行x0(i)其实是1，可以去掉） 逻辑回归 神经网络（写出前向传播即可，反向框架会自动计算） SVM 2.非监督学习：聚类算法(K-mean),降维(PCA) K-mean PCA 3.异常检测 4.推荐系统 ...
分类：
其他好文 时间：
2018-07-07 20:23:41
阅读次数：
177
Spark MLlib里面提供了几种基本的数据类型，虽然大部分在调包的时候用不到，但是在自己写算法的时候，还是很需要了解的。MLlib支持单机版本的local vectors向量和martix矩阵,也支持集群版本的matrix矩阵。他们背后使用的都是ScalaNLP中的Breeze。 更多内容参考 ...
分类：
其他好文 时间：
2018-07-07 17:46:17
阅读次数：
234
1.提升算法 提升算法实为将一系列单一算法（如决策树，SVM等）单一算法组合在一起使得模型的准确率更高。这里先介绍两种Bagging(代表算法随机森林），Boosting（代表算法AdaBoost-即本篇核心） Bagging思想：以随机森林为例 假设样本集的总样本量为100个，每个样本有10个特征 ...
分类：
编程语言 时间：
2018-07-06 13:06:39
阅读次数：
200
序 SVM支持向量机作为统计分类和回归分析中的重要方法，其理论推导难度较大，根据自己查阅的相关资料，按照问题理解、待处理数据是否可分的判断、主要推导过程、核函数的选择及推导、核函数的选择原则、python实现的相关方法、超参数调优等内容，以粗线条的方式，总结如下要点，方便查阅和易于理解： 1.问题分 ...
分类：
其他好文 时间：
2018-07-06 12:20:36
阅读次数：
149
1. 查看cpu是否支持虚拟化和 Xen 不同，KVM 需要有 CPU 的支持（Intel VT 或 AMD SVM），在安装 KVM 之前检查一下 CPU 是否提供了虚拟技术的支持 1 egrep 'vmx|svm' /proc/cpuinfo 1 egrep 'vmx|svm' /proc/cp ...
分类：
其他好文 时间：
2018-07-05 23:38:27
阅读次数：
250
KKT 条件 先来看如何选取参数。在 SMO 算法中，我们是依次选取参数的： 选出违反 KKT 条件最严重的样本点、以其对应的参数作为第一个参数第二个参数的选取有一种比较繁复且高效的方法，但对于一个朴素的实现而言、第二个参数即使随机选取也无不可 可以以一张图来直观理解这里提到的诸多概念： （画得有点 ...
分类：
编程语言 时间：
2018-07-04 16:44:46
阅读次数：
716
本文来自同步博客。 前面介绍的SVM，无论是线性可分还是非线性可分，称为Hard Margin SVM，都要求对输入数据进行精确划分。我们不难想到这类SVM存在过拟合这个问题。如果输入数据本身就存在误差，精确划分反而是没意义的。本篇文章就如何处理过拟合问题，介绍即所谓的Soft Margin SVM ...
分类：
其他好文 时间：
2018-07-04 13:49:58
阅读次数：
152
12.1目标优化 （1）以下是逻辑回归以及单个样本的代价函数 （2）首先将使用上图中紫色的线（称为cost1或者cost0）的代替曲线，然后将样本数m去掉，最后将C代替1/λ（可以这么理解，但不完全是），从而实现逻辑回归的代价函数到SVM的转换。 （3）SVM的输出将不再是逻辑回归的概率，而就是0或 ...
分类：
其他好文 时间：
2018-07-03 22:37:55
阅读次数：
265
决策边界：支持向量机其实就是点集(正负类离超平面最近的点集) 算法思想：1)求数据集到超平面间隔最小值 2)最小间隔最大化 点到超平面距离： 决策方程： 优化目标: 放缩变换： 优化目标变为： 求解过程： 求解实例： 低维度不可分解决办法：利用核函数将低纬数据映射到高纬度，超平面划分 低纬映射高纬例 ...
分类：
其他好文 时间：
2018-07-02 20:25:26
阅读次数：
190
