搜索资源列表
HaarTraining
- OPENCV训练过程的说明文档， 在样本创建；训练分类器；利用训练器进行目标检测作了操作说明 源程序在安装OPENCV时，自带apps\HaarTraining-OPENCV training process documentation, created in the sample training classifier the use of training devices for target detection was made in the installation inst
ClassficationBaseOnAssociation
- 贝叶斯分类器的改进 在windows 平台下实现；-Improvement of Bayes classfication It is implement in windows.
work_for_pattern_recognition
- 通过设计线性分类器；最小风险贝叶斯分类器；监督学习法分层聚类分析；K－L变换提取有效特征，设计支持向量机对给定样本进行有效分类并分析结果。-By designing a linear classifier minimum risk Bayes classifier supervised learning method hierarchical cluster analysis K-L transform to extract efficient features, designed to
classification分类
- run_classification.m运行分类器； get_traintestfeat.m得到训练样本和测试样本。
非线性分类器设计
- 非线性分类器设计—支持向量机 matlab程序运行 非线性支持向量机（SVM）的原理、核函数类型 libSVM工具箱安装的一般流程(Nonlinear classifier design support vector machines)
利用Hog特征和SVM分类器进行行人检测
- 利用Hog特征和SVM分类器进行行人检测(Using Hog features and SVM classifiers for pedestrian detection)
libsvm-3.1-[FarutoUltimate3.1Mcode]
- 态势要素获取作为整个网络安全态势感知的基础，其质量的好坏将直接影响态势感知系统的性能。针对态势要素不易获取问题，提出了一种基于增强型概率神经网络的层次化框架态势要素获取方法。在该层次化获取框架中，利用主成分分析(PCA)对训练样本属性进行约简并对特殊属性编码融合处理，将其结果用于优化概率神经网络(PNN)结构，降低系统复杂度。以PNN作为基分类器，基分类器通过反复迭代、权重更替，然后加权融合处理形成最终的强多分类器。实验结果表明，该方案是有效的态势要素获取方法并且精确度达到95.53%，明显优于
work
- 1) 以身高为例，画出男女生身高的直方图并做对比； 2) 采用最大似然估计方法，求男女生身高以及体重分布的参数； 3) 采用贝叶斯估计方法，求男女生身高以及体重分布的参数（假定方差已知，作业请注明自己选定的一些参数情况）； 4) 采用最小错误率贝叶斯决策，画出类别判定的决策面。并判断某样本的身高体重分别为(160,45)时应该属于男生还是女生？为(178,70)时呢？(1) taking height as an example, draw the histogram of male and f
基于BP的分类器
- 基于BP的分类器设计，一个案例，适合初学者(Classifier design based on BP, a case, suitable for beginners)
kernelBP_chol
- 针对图像的基于核置信传播的分类器，具有收敛速度快，精度高的优点。(This is a sample code for Kernel Belief Propagation Classifier for images.)
logistic
- 用于模式识别中分类器的实现，罗杰斯特回归的实现 ，有数据实例，能够观察到分类结果和收敛曲线(logistics regression)
svm
- 支持向量机由Vapnik首先提出，像多层感知器网络和径向基函数网络一样，支持向量机可用于模式分类和非线性回归，该程序主要实现svm的分类和回归功能。(SVM was first proposed by Vapnik. Like multilayer sensor network and radial basis function network, SVM can be used for pattern classification and non-linear regression. The p
svm参数优化
- 采用svm来做分类，一般能得到较满意的结果，但用svm做分类预测时需要调节相关的参数才能得到比较理想的预测分类准确率，那么svm的参数该如何选取？该程序主要说明如何更好地提升分类器性能。(Use svm to do the classification, the general can get more satisfactory results, but when using svm to do classification prediction need to adjust the relev
ELM分类器
- ELM是基于深度学习的分类器，运算速度快。 在B_data.m里导入待分类矩阵B.mat（1-n列为特征值，n列为标签）；运行B_data.m；再打开fuzzyEn_main.m并运行即可。(ELM is based on depth learning classifier, computing speed. In B_data.m imported matrix to be classified B.mat (1-n as eigenvalues, n as a label); Run B
matlab
- 对于一个具体的数据，用交叉验证进行分类，随机森林进行训练，用AUC,AUPR,Precision评价分类器的性能(For a specific data, use cross validation to classify, train random forests, evaluate the performance of the classifier with AUC, AUPR, and Precision.)
bayes_C++
- 贝叶斯分类器-联合变量_C++，只需更改样本文件名即可测试。(The Bias classifier - the joint variable _C++, can be tested only by changing the name of the sample file.)
bayes_independent variable _C++
- 贝叶斯分类器-独立变量_C++，只需更改样本文件名即可测试。(Bias classifier - independent variable _C++, can be tested only by changing the name of the sample file.)
bayes_independent variable _matlab
- 贝叶斯分类器-独立变量_matlab，只需更改样本文件名即可测试。(Bias classifier - independent variable _matlab, can be tested only by changing the name of the sample file.)
classifier_D
- 使用SVM分类器来预测乳腺癌病人的预后(特征选择；分类器构建)，评价模型时使用无被交叉验证，性能评价指标包括准确率，AUC，灵敏度，特异度。学会最基本的机器学习方法。可查看分发给大家的代码，以后遇到类似的问题，可用相似的思路和代码。(The SVM classifier was used to predict the prognosis of breast cancer patients (feature selection; classifier construction), and the
SVM 多分类
- 通过一对多，和多对一的方式，将二分类svm转化成多分类分类器(Through the way of one to many and many to one, the two classification SVM is transformed into a multi classification classifier)