机器学习三：决策树1. 介绍2. 参数2.1. min_samples_split2.2. 不纯度和熵2.2.1 信息增益2.1.1.1 信息增益计算3. Bias-Variance Dilemma4. 总结5. SK Learn1. 介绍决策树是机器学习中最早也是最常使用的算法之一，它已经有几十年历史，稳定性非常好。它和支持向量机类似，也可以在这里使用核技巧，将线性决策面转换为非线性。决策树可以

是一个用于神经网络、深度学习和机器学习模型的可视化工具。Netron支持 ONNX、TensorFlow Lite、Caffe、Keras、Darknet、PaddlePaddle、ncnn、MNN、Core ML、RKNN、MXNet、MindSpore Lite、TNN、Barracuda、Tengine、CNTK、TensorFlow.js、Caffe2 和 UFF。

关闭 VSCode，重启后即可正常使用。

这里写目录标题1. 匈牙利算法（Hungarian Algorithm）2. KM 算法（Kuhn-Munkres Algorithm）Reference:带你入门多目标跟踪（三）匈牙利算法&KM算法算法学习笔记(5)：匈牙利算法匈牙利算法（Hungarian Algorithm）与 KM 算法（Kuhn-Munkres Algorithm）主要用于解决一些与二分图匹配有关的问题，这种问题

版本过高导致，重新下了个 0.4.0 版本，修改软链接后，程序正常运行。发现一个个 node 都崩了，可以看到是。

ROS 和 ROS2 架构和通信1. ROS 架构设计1.1 OS 层1.2 中间层1.3 应用层2. ROS 的通信机制2.1 话题通信机制2.1.1 Talker 注册2.1.2 Listener 注册2.1.3 ROS Master 进行信息匹配2.1.4 Listener 发送连接请求2.1.5 Talker 确认连接请求2.1.6 Listener 尝试与 Talker 建立网络连接2.

在融合时，需要给不同信息设置权重，而权重 由方差得来，因此对于IMU积分，也要计算其 方差。方差的计算形式与第四章相同，即Pi,k+1=FkPi,kFk⊤+BkQBk⊤\boldsymbol{P}_{i, k+1}=\mathbf{F}_k \boldsymbol{P}_{i, k} \mathbf{F}_k^{\top}+\mathbf{B}_k \boldsymbol{Q} \mathbf{B

多传感器融合中三维运动的导航信息包含姿态、速度、位置，其中姿态的处理最为复杂，也最为核心。姿态有三种表示形式：、、，此外还有等效，但它一般在中间计算过程中使用。(等效旋转矢量推导过程中的一些计算，推导会更加简单方便。)注：这里只介绍基于四元数和旋转矩阵的姿态更新，不介绍基于欧拉角的更新。(我们做姿态更新的时候，不会给出欧拉角的姿态更新和误差形式，欧拉角在实际过程中不会参与这种性质的运算，更多的是给

问题可能原因有：程序运行前：程序运行后：

这里的联合概率说的是将 X 划分成栅格(如上图)，每个栅格里面都有很多点，这些点可以计算一个 均值/协方差，这是一个概率的概念。而联合概率是：Y 往 X 上旋转的时候，它落在栅格中的哪个格子里知道的。根据落在格子里的点，本身 X 格子已经有了一个 均值/协方差，而 Y 的这些落在格子里的点可以形成一个联合概率。与ICP这里有些区别，ICP的是点到点的距离，这里变成了联合概率。旋转和平移后的点与目标