logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

【图形学】20 基础纹理(一、单张纹理)

1、单张纹理2、纹理的属性①Wrap Mode②Filter Mode③纹理缩小3、生成高度图

#unity#游戏引擎
【图形学】12 UnityShader语法入门

最后的一个步骤:将视椎体(view frustum)变换成 立方体。我们进行**齐次除法(homogeneous division)**,实际上就是用齐次坐标系中的 w 分量去除以 x,y,z ,在OpenGL中,我们把这一步得到的坐标叫做**归一化的设备坐标(Normalized Device Coordinates,NDC)**...

#unity#游戏引擎
(大数据分析学习)22 切比雪夫、曼哈顿、欧几里德、闵可夫斯基、马哈拉诺比斯距离解释收集

本文从公式上表述了欧几里得距离、曼哈顿距离、切比雪夫距离记忆闵可夫斯基距离之间的关系。收集整理的资料大多来自于书本和网络。首先是书中的解释:一般而言,定义一个距离函数 d(x,y), 需要满足下面几个准则:1) d(x,x) = 0 // 到自己的距离为0 2) d(x,y) >= 0 // 距离非负 3) d(x,y) = d(y,x) // 对称性: 如果 A 到...

#大数据
(大数据分析、多元统计分析学习笔记)01、基本概念

(整理自有道云笔记)本笔记是笔者自我学习书本《实用多元统计分析》时整理到的要点,文中的叙述多来自书本,加以自己的思考和批注,有助于对这门课程的巩固和学习。...

15 离群点和高杠杆率点

15 离群点和高杠杆率点标签:机器学习与数据挖掘1.离群值  离群值的标准残差的据绝对值非常大,我们研究的时候可以单独把这类值来出来看一下,以使我们的预测模型的不会受到太大干扰。  那我们如何揪出离群值呢?看图这里有两个特别离群的点,他们的残差都比一般的值要大一些。但是对于不同的变量,就有不同的度量和方差,我们需要将它们标准化,这样就有了标准残差。  令Si,residS_{i, \...

#机器学习#数据挖掘
N、微体系结构层:Mic-1

在计算机的微体系结构中,没有一般通用的设计方式。所以,这里用JVM ( java虚拟机,Java Virtual Machine)指令系统层的子集作为例子。使用微体系结构Mic-1。1.微程序中的有一组变量,称之为计算机的状态(state),所有的函数都可以访问这些变量。比如:程序计数器(PC)就是状态的一部分,它将指示下一个要执行的函数。在每条指令执行过程中,PC都会指向下一条要执行...

19 捋一捋统计学里的概念

19 捋一捋统计学里的概念标签:机器学习与数据挖掘1.基本概念**变异:**在自然状态下,个体间测量结果的差异称为变异(variation),变异是生物医学研究领域普遍存在的现象。严格的说,在自然状态下,任何两个患者或研究群体间都存在差异,其表现为各种生理测量值的参差不齐。**参数估计:**指用样本指标值(统计量)估计总体指标值(参数)。参数估计有两种方法:点估计和区间估计。2.t-检验...

19 多元线性回归与模型回归

19 多元线性回归与模型回归标签:机器学习与数据挖掘1.调整R2R^2R2  对于R2R^2R2,只要添加入新的参数,它就会变大,不过这个变量有没有用。而我们采用调整R2调整R^2调整R2来使得公式对无用变量有所惩罚:Radj2=1−(1−R2)n−1n−m−1R_{\mathrm{adj}}^{2}=1-\left(1-R^{2}\right) \frac{n-1}{n-m-1}Ra...

09 因子分析(基础版)

09 因子分析(基础版)(此篇的R代码对应本博客系列《11 R语言手册(第四站 降维方法)》)标签: 机器学习与数据挖掘1.检验相关性  ①使用KMOI样本重组度的测量值:表示由隐含因子造成的在各个被标准化的指示变量中有共同变化的比率。当KMO比率小于0.50时,说明用因子分析法不合适。  ②假设检验Bartlett’s test of Sphericity:此检验的假设是,相关性矩阵是...

#机器学习#数据挖掘
    共 17 条
  • 1
  • 2
  • 请选择