接上一个，PCA 回归处理的另一种方式，最小二乘法，先看一下 马同学 的最小二乘法的解释。我们这里使用最小二乘法来实现对点的回归。还是先说说这个思路：给出一群数据点，使用特征值特征向量的方式求回归，过程如下：a.获取数据点b.构建矩阵（构建y=ax+b）c.求出a,bd.画回归直线先看一基本公式推导（先大概理解，后面结合编程思路在理解）：这里的基本思路就是初中的求解一元二次方程的...

在Canny算法中，对于其中的非极大值抑制这一点做笔记整理，过程看之前的这一片原理如下：（需要理解）依据当前点的周围点的梯度模来推算中心点的模，然后与实际值比较，若小则保留，若大于实际值则舍弃，在边缘检测中也有根据梯度模确定是否边缘，大于一定阈值就判定为是！由中心点的梯度向量、周围点的梯度模，推断中心点的梯度模，再与实际值比较，梯度模就是梯度程度！已知ax,ay,a1,a2，求Cm，如下...

这两天潜下心来学习图像处理，希望能够入图像处理的门，开始一路下来在论坛上各种看各种找，所找的基本上七七八八，但是感觉总是缺点什么，经过导师的一番交流和学习下来，感觉收获颇多，随整理记录，同时征得导师同意，将源码也发送出来，供大家学习和交流从开始说吧，找到一幅图片，对其进行灰度处理（新手可以参考，我这里使用的方法相对简单，用了最原始的方法，getpxiel函数。）在这里插入代码片...

机器学习笔记——逻辑回归算法（Logistic Regression）正名分类算法回归算法思考分类问题逻辑回归函数逻辑回归函数逻辑回归分类函数的理解决策边界example （1）example （2）如何选择表达函数？逻辑回归函数成本函数（1）恶性肿瘤的分析（2）良性肿瘤的分析优化写法逻辑回归函数的梯度下降优化算法线性回归的梯度下降法和逻辑回归的梯度下降法是一样的吗？小技巧线性回归的监控是否收敛

机器学习笔记——正则化Regularization对偏差bias和方差variance的影响正则化正则化剖析如何选择λ ？正则化正则化的概念参考这里：机器学习笔记——正则化（Regularization）正则化剖析通过这个图片看一下：式中λ /2m 是添加的是正则化参数，其中λ 对回归函数的影响见图中。过大或者过小都是不行的。如何选择λ ？参看下图：选择不同的λ 分别进行测试，注意λ选择的时候，一

机器学习笔记——线性拟合及梯度下降线性拟合为什么要构造代价函数（1）从特殊情况：过原点的直线看起，只有一个参数的情况（2）从非特殊情况：不过原点的直线看起，有两个参数的情况梯度下降法梯度下降法数学含义梯度下降法下降方向的选择实现梯度下降法的学习率（每一步走多大？）批量梯度下降法线性拟合从这里开始，给出dataset,找出一条直线拟合，因为使用一条直线去拟合，所以叫做线性拟合。我们要找出这条曲线的表

如题：VS2019 从一个解决方案中复制窗体文件到另一个解决方案中注意事项将对应的窗体文件拷贝过来：然后在新项目中添加即可：右键包包括在项目中，图标自动变颜色：这时添加动作完了，但是会报错，需要改代码，把两处的命名空间改成和目标一致即可：1、改动位置：2、改动位置：这样就不会有问题了...

机器学习笔记——监督学习/无监督学习分类笔记监督学习回归(Regression)分类(Classfication)无监督学习监督学习给出一数据组，并已知晓这组数据的对应关系，然后给出一组新的数据，尝试对其进行预测和分析，这里注意，提前给出的数据组（datasheet）是已知内部的数据的对应关系，后面给出的新的数据，是要依据对之前数据的学习后，给出新的数据对应的预测值。而对于预测的结果的不同，又将监

BP神经网络手写数字1和9识别实现效果实现过程读取样本实现思路正向传播反向传播输出层的误差计算隐含层的误差计算权重更新效果验证实现效果上面是训练样本集，下面是测试样本集，识别的是黑色，未识别的是红色实现过程读取样本样本读取的过程参考这里：过程参考这里实现思路我们这里将神经网络的实现过程分为三部曲：注意：正向传播的其实就是神经元的分类过程，只不过这里要注意激活函数的使用，图中正向f指的就是激活函数；

python画3D曲面图过程理解参考程序理解过程坐标点画网格python.np的命令集过程理解参考程序import numpy as npimport plotly.graph_objs as goimport matplotlib.pyplot as pltdef f(x, y):frerate=(0.8*(y-300)-0.5*(y-800))/500z = minf+(maxf-minf)*