一、什么朴素贝叶斯（基于概率进行预测的算法，用于分类）朴素贝叶斯是基于贝叶斯定理与条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入/输出的联合概率分布；然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。具体来说：计算数据为某个标签的概率，并将其分类为概率值最大的标签。二、计算方法要求：输入是独立的。2.1 基本方法训练数据集：由P（X,Y)独立同

1、识别图像中的线段将图像点（x,y)某个领域中每个像素值都与模板中对相应的系数相乘，然后将结果进行累加，从而得到该点的新像素值。如果领域的大小为m×n，则总共有mn个系数。将这些系数组成的矩阵，称为模板或算子。通常采用的最小模板是3×3.对于像素中的间断点，常用的检测模板为：close all;clear all;clc;I=imread('ice.bmp');I=rgb2gray(I);h1=

一、决策树定义：分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点（node）和有向边（directed edge）组成。结点有两种类型：内部结点（internal node）和叶结点（leaf node）。内部结点表示一个特征或属性，叶结点表示一个类。⚪：内部结点正方形：叶结点二、决策树特征选择2.1 特征选择问题特征选择在于选取对训练数据具有分类能力的特征。这样可以提高决策树学习的

以上皆参考李航老师的《统计学习方法》，如博客有不足之处，还请指教！！！一、什么是提升树提升树（BT,Boosting Tree）是以分类树和回归树为基本分类器的提升方法。提升树被认为是统计学习中性能最好的方法之一。以决策树为基函数的提升方法称为提升树。二、提升树模型提升方法采用加法模型（即基函数的线性组合）与前向分步方法。对分类问题决策树是二叉分类树，对回归问题决策树是二叉回归树。提升树模型可以表

以上皆参考李航老师的《统计学习方法》，如博客有不足之处，还请指教！！！一、什么是提升树提升树（BT,Boosting Tree）是以分类树和回归树为基本分类器的提升方法。提升树被认为是统计学习中性能最好的方法之一。以决策树为基函数的提升方法称为提升树。二、提升树模型提升方法采用加法模型（即基函数的线性组合）与前向分步方法。对分类问题决策树是二叉分类树，对回归问题决策树是二叉回归树。提升树模型可以表

目录一、定义1.1 激活函数定义1.2Sigmoid函数1.3 Tanh / 双曲正切激活函数1.4ReLU 激活函数二、代码三、结果一、定义1.1 激活函数定义激活函数（Activation Function）是一种添加到人工神经网络中的函数，旨在帮助网络学习数据中的复杂模式。类似于人类大脑中基于神经元的模型，激活函数最终决定了要发射给下一个神经元的内容。在人工神经网络中，一个节点的激活函数定义

目录1、二维傅里叶变换1.1二维傅里叶变换定义1.2性质2、低通滤波器2.1理想低通滤波器3、高通1、二维傅里叶变换1.1二维傅里叶变换定义首先通过傅里叶变换将图像从空间域转换为频率域，然后在频率域内对图像进行处理，最后通过傅里叶反变换到空间域。1.2性质平移特性旋转特性尺度特性卷积特性相关特性分离特性频域滤波原理：输出图像傅氏变换==系统频域相应×输入图像傅氏变换2、低通滤波器低频成分通过，去除

以卷积神经网络为例，输入为一个猫，进行特征提取后输出图片类别。因此，这里可以简单的理解为：特征提取过程即为编码器，而分类过程即为解码器。使用编码器-解码器架构模型，编码器负责表示输入，解码器负责输出。以循环神经网络为例，输入为一个文本，进行特征提取后输出。

一、定义一直以来，人们都认为神经网络是模仿生物体的神经网络设计而成的。er神经网络既可以用于回归，也可以用于分类，但在实际应用中常用于分类。基于神经网络的深度学习因在图像识别和语音识别等领域表现优异而广为容人之。神经元是神经网络算法的基本单元，它本质上是一种函数，接受外部刺激并根据输入产生对应的输出。它的内部可以看作线性函数和激活函数的组合，线性函数运算结果传递给激活函数，最终产生该神经元的输出结

一、决策树定义：分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点（node）和有向边（directed edge）组成。结点有两种类型：内部结点（internal node）和叶结点（leaf node）。内部结点表示一个特征或属性，叶结点表示一个类。⚪：内部结点正方形：叶结点二、决策树特征选择2.1 特征选择问题特征选择在于选取对训练数据具有分类能力的特征。这样可以提高决策树学习的