决策树理解：所谓决策树，就是根据树结构来进行决策。举个例子，小明的妈妈去上海人民公园相亲角为儿子物色相亲对象，广场上数百名适婚年龄男女的家长自发来到这里，手里拿着自家孩子的基本资料。小明妈为了选到一个理想的儿媳妇，在看到其他人手中的基本资料后，根据自己内心中各项情况的重要程度（从高到低分别是性别，学历，颜值，房子），依次进行判断：性别是否是女孩子？如果不是，就pass；如果是，那学历是否是本科以上

决策树理解：所谓决策树，就是根据树结构来进行决策。举个例子，小明的妈妈去上海人民公园相亲角为儿子物色相亲对象，广场上数百名适婚年龄男女的家长自发来到这里，手里拿着自家孩子的基本资料。小明妈为了选到一个理想的儿媳妇，在看到其他人手中的基本资料后，根据自己内心中各项情况的重要程度（从高到低分别是性别，学历，颜值，房子），依次进行判断：性别是否是女孩子？如果不是，就pass；如果是，那学历是否是本科以上

前言：朴素贝叶斯是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。朴素贝叶斯原理简单，也很容易实现，多用于文本分类，比如垃圾邮件过滤。1.算法思想——基于概率的预测决策树算法中提到朴素贝叶斯分类模型是应用最为广泛的分类模型之一，朴素贝叶斯分类是贝叶斯分类器的一种，贝叶斯分类算法是统计学的一种分类方法，利用概率统计知识进行分类，其分类原理就是利用贝叶斯公式根据某对象的先验概率计算出其后验

世界坐标系、相机坐标系、像素坐标系、成像平面坐标系。我们可以把现实生活遇到的任何事物用坐标系表示出来，也可以用坐标系表示整个世界，于是便建立起了世界坐标系。想象一下，摄像机拍摄的是一张二维图片，因此整个摄像机可以用一个坐标系去标识它获取到的某个物体的位置，这是相机坐标系。像素坐标系就是相片的坐标系。成像平面坐标系类似于像素坐标系。原本我们期望的拍摄效果：是每个坐标系中的像素都相互对应，类似于一种一

摘要：使用基于python的opencv中的sift算法检测图像中的特征点。通过knn匹配，每个关键点两个match，即最近邻与次近邻。 采用SIFT作者提出的比较最近邻距离与次近邻距离的SIFT匹配方式来筛选出最近邻远优于次近邻的匹配作为good matches。最后，根据投影映射关系，使用计算出来的单应性矩阵H进行透视变换，再进行拼接。准备：import cv2import matplotli

世界坐标系、相机坐标系、像素坐标系、成像平面坐标系。我们可以把现实生活遇到的任何事物用坐标系表示出来，也可以用坐标系表示整个世界，于是便建立起了世界坐标系。想象一下，摄像机拍摄的是一张二维图片，因此整个摄像机可以用一个坐标系去标识它获取到的某个物体的位置，这是相机坐标系。像素坐标系就是相片的坐标系。成像平面坐标系类似于像素坐标系。原本我们期望的拍摄效果：是每个坐标系中的像素都相互对应，类似于一种一