集成学习是一种将多个基础模型（通常是“弱学习器”）组合起来构建一个更强大的“集成模型”的方法。通过对多个模型的结果进行加权、投票或平均等方式合成，可以显著提升最终预测性能。📌 举例：如果你请5位医生分别对某个病例进行诊断，然后取大多数医生的意见作为最终判断，这就是一种现实中的“集成学习”。特点BaggingBoostingStacking模型训练并行顺序自由组合是否加权否是是（通过元模型）偏差/

硬间隔假设数据是线性可分的，也就是说，存在一个超平面可以完全正确地将不同类别的样本分开，而且没有任何分类错误。数学约束：其中：yi 是标签（+1 或 -1）w 是法向量，bb 是偏置项w⋅xi+b 是样本到超平面的函数值目标函数：（等价于最大化间隔）现实数据往往线性不可分，或者存在噪声、异常值。软间隔 SVM 引入了松弛变量ξi≥0\xi_i \ge 0，允许部分样本越过间隔边界甚至被错误分类，但

直方图：反映图像像素值的分布情况，是图像分析的基本工具。掩膜：用于限定直方图统计的区域，让我们能专注于关心的部分。OpenCV 与 Matplotlib提供了灵活的直方图绘制方式，既能全局统计，也能局部分析。掌握直方图与掩膜，不仅能帮助理解图像的亮度和对比度，还能为后续的图像处理、特征提取和机器视觉任务打下基础。

监督学习、无监督学习、强化学习，常见算法，基本流程B站：搜索机器学习，包括吴恩达教授在内的高播放了教学视频书籍：周志华教授所著“西瓜书”《机器学习》

''' 定义神经网络 类的继承这种方式'''nn.ReLU(),nn.ReLU(),nn.ReLU(),nn.ReLU(),nn.ReLU(),nn.ReLU(),模型结构说明：输入1*28*28（64 张图片作为一个批次。故*1*28*28）conv1：卷积 + ReLU + 池化 → 输出16*14*14conv2：多层卷积 + ReLU + 池化 → 输出32*7*7conv3：卷积层 →

找特征点—— 让不同图像有可比较的“锚点”。找匹配对—— 确定哪些锚点在两张图中是同一个物理点。算变换矩阵—— 求出两张图的几何关系，让它们坐标对齐。透视变换 + 融合—— 把图像映射到同一平面并拼合。本文通过SIFT 特征提取 → 特征匹配 → RANSAC 单应性矩阵 → 透视变换与拼接，完成了图像拼接任务。该方法对光照、旋转、尺度具有较强鲁棒性，但在大视差、非平面场景下可能出现拼接误差，实际

功能命令启动 MySQL停止 MySQL重启 MySQL设置开机启动查看运行状态登录数据库修改密码（MySQL 内部）ALTER USER 'root'@'localhost' IDENTIFIED BY '新密码';

本文完整解析了基于角点检测与 Lucas-Kanade 光流法的特征点跟踪方法，结合 OpenCV 代码演示了如何实现轨迹可视化。通过理解参数和原理，你可以灵活调整，应用在不同的计算机视觉任务中。

链式思维提示词是**提示工程（Prompt Engineering）**中最实用、最有效的逻辑强化技巧之一。它能让模型“像人一样思考”，在推理、分析、解释性任务中显著提高准确率。不要直接问模型答案，要教它“先想清楚，再回答”。通过在提示中添加一句：让我们来分步思考。你就能显著提升模型的逻辑推理能力与可靠性。

目标跟踪是视频分析中的重要环节，常见应用包括：安防监控：锁定特定人物或车辆。智能交通：跟踪车辆、行人、行驶轨迹。运动分析：跟踪运动员动作。人机交互：跟踪用户的手、头部，实现体感交互。与目标检测（Object Detection）不同，目标跟踪通常只在第一帧给定目标位置，后续帧不再人工标注，而是依赖跟踪器自动预测。这种方式在实时视频中效率更高。本文详细讲解了 OpenCV CSRT 跟踪器的工作原理