网上 libstdc++.so.6: version `GLIBCXX_3.4.21’ not found 这个问题都要被写烂了，但是大部分吧还是江湖郎中，搜了二三十个page都没把这个问题解决，烦的一笔。我也不知道神队友是怎么把这个问题搞出来的，总之就是装caffe的matlab接口应该是升级或者降级了gcc？做了个链接，然后过来问我为什么matlab崩了，机器也死机了，重启后直接界面都打不开.

文章目录数据准备支持向量机三部曲线性可分支持向量机线性支持向量机非线性支持向量机SVM模型实现总结数据准备为了验证SVM模型实现和sklearn的正确性，文中使用的是随机生成的100组数据，便于画图进行对比，数据在SVM文件夹当中：https://github.com/phdsky/ML/blob/master/svm/dataset.txt本文主要实现的是带有软间隔的线性支持向量机，因此...

文章目录数据准备ID3算法C4.5算法总结参考数据准备决策树是一种基本的分类与回归算法，因此使用的仍是原版十类的手写识别数据集；然而在算法中需要计算条件概率和相应的条件经验熵，为了简化条件概率形式且减少计算量（主要还是防止条件概率过小，导致后面连乘的时候出错），对输入特征进行二值化。这部分还是在代码中完成，就不提前做成新的数据集了。这里主要实现决策树生成算法，包含：使用信息增益作为...

文章目录数据准备逻辑斯谛回归数据准备本文实现的是二项逻辑斯谛回归模型，因此使用的是处理过后的两类别数据 mnist_binary.csv，表中对原手写数据0～4取作负类 -1，将5～9取作正类 +1。根据逻辑斯谛回归模型的条件概率分布定义：P(Y=1∣x)=exp(w∗x)1+exp(w∗x)P(Y=1|x)=\frac{exp(w*x)}{1 + exp(w*x)}P(Y=1∣x)=1...

IoU (Intersection over Union) 从字面意义上来说就是交并比，顾名思义就是两个集合的交集与两个集合的并集之比，可表示图如下：IoU=A∩BA∪BIoU = \frac{A \cap B}{A \cup B}IoU=A∪BA∩B​在语义分割任务中，通常使用预测(predict label)与真值(ground truth)之间的交并比作为评价标准，例如在PASCAL、...

数据准备本文实现的是利用EM算法学习高斯混合模型，为了简化过程采用对离散点进行聚类判定，离散点通过sklearn生成。EM算法EM算法的推导证明和收敛分析暂时留坑。EM算法中对隐变量和观测变量的交替估计，给我的第一感觉是有点像SLAM里对landmark和pose的联合优化。

IoU (Intersection over Union) 从字面意义上来说就是交并比，顾名思义就是两个集合的交集与两个集合的并集之比，可表示图如下：IoU=A∩BA∪BIoU = \frac{A \cap B}{A \cup B}IoU=A∪BA∩B​在语义分割任务中，通常使用预测(predict label)与真值(ground truth)之间的交并比作为评价标准，例如在PASCAL、...

文章目录数据准备逻辑斯谛回归数据准备本文实现的是二项逻辑斯谛回归模型，因此使用的是处理过后的两类别数据 mnist_binary.csv，表中对原手写数据0～4取作负类 -1，将5～9取作正类 +1。根据逻辑斯谛回归模型的条件概率分布定义：P(Y=1∣x)=exp(w∗x)1+exp(w∗x)P(Y=1|x)=\frac{exp(w*x)}{1 + exp(w*x)}P(Y=1∣x)=1...

文章目录数据准备ID3算法C4.5算法总结参考数据准备决策树是一种基本的分类与回归算法，因此使用的仍是原版十类的手写识别数据集；然而在算法中需要计算条件概率和相应的条件经验熵，为了简化条件概率形式且减少计算量（主要还是防止条件概率过小，导致后面连乘的时候出错），对输入特征进行二值化。这部分还是在代码中完成，就不提前做成新的数据集了。这里主要实现决策树生成算法，包含：使用信息增益作为...

数据准备本文实现的是利用EM算法学习高斯混合模型，为了简化过程采用对离散点进行聚类判定，离散点通过sklearn生成。EM算法EM算法的推导证明和收敛分析暂时留坑。EM算法中对隐变量和观测变量的交替估计，给我的第一感觉是有点像SLAM里对landmark和pose的联合优化。