张士玉小黑屋

：顾名思义，也就是刻画同类样本点之间“接近”程度的矩阵，下标是

目录LDA基本思想：投影的定义同类投影点的接近异类样本点的远离找到一条直线（转为最优化）类内散度矩阵与类间散度矩阵目标函数对​欧米伽大小的无关性拉格朗日乘子法LDA做法总结本文着重于思想的理解与公式的推导~LinearDiscriminantAnalysis（LDA）是一种经典的线性学习方法，亦称“Fisher判别分析法”注意：本文中的         LDA基本思想：    找到一条直线（低维空间），使得将平面&

目录0.前言1.基础回顾1.1卡方分布与t分布1.1.1自由度为1的卡方分布 1.1.2自由度为n的卡方分布 1.1.3t分布1.2Fisher定理1.3两样本t检验1.4置换检验2.案例2.1问题背景2.2经典两样本t检验2.3置换检验3.小结4.参考资料0.前言    本文将系统梳理《计算机时代的统计推断：算法、演化和数据科学》4.4节提到的置换检验（PermutationTest），给出必要的前行知识并对原书的案例进行代码实现。1.基础回顾1.1卡方分布与t分布1.1.1自由度为1的卡方分布 

文章目录1.引言2.基本原理3.函数解析创建模型设置模型类型设置参数C设置核函数设置迭代算法的终止标准训练SVM模型预测结果误差计算保存SVM模型从文件中加载SVM4.示例代码官方示例（python）推理阶段（C++版本）5.小结1.引言opencv中集成了基于libsvm1实现的SVM接口，便于直接进行视觉分类任务。对于数据处理和可视化需求来说，可以用pytho

1Boosting方法1.1引言“团结就是力量”、“众人拾柴火焰高”，“三个臭皮匠，顶个诸葛亮”。小时候我们可能不能完全理解这些话的意思，但是随着年龄的增长，我们渐渐体会到了团队合作的重要性，也渐渐加深了对这些话的理解。非常幸运的是，有很多科学家参透了这些道理，并将它们应用到了机器学习领域。他们发现：将多个预测准确率不怎么高的基础机器学习模型结合成一个混合的模型，往往可以取得更高的准

1.5GBDT二分类算法1.5.1概述前面我们介绍了AdaBoost的基本原理，并举了几个实例对AdaBoost的使用做了一些演示。简单来说，AdaBoost的大体思想就是：根据每个弱学习器的预测误差为每个弱学习器赋予不同的权重，并以上一个弱学习器的权重为依据更新数据集样本分布的权重（尤其是不断加大上一轮弱学习器预测错误的样本的权重），通过不断循环这一过程，最终得到一个在所有样本上均有较高预测准确

1.7LightGBM1.7.1概述前面我们介绍了AdaBoost和GBDT这两种Boosting方法，它们已经在很多问题上发挥了强大的威力，也已经具有较好效率。但是，如今的数据集正在朝着样本数越来越巨大，特征维度也越来越高的方向发展，此时这两种传统的Boosting方法在效率和可扩展性上已经不能满足现在的需求了。主要原因是：传统的Boosting算法中的基学习器需要通过对所有样本点的每一个特征都进行扫描来计算信息增益&#x

    前言    在工业应用中，需要对产品进行分类。比如：制药公司，生产的药丸，需分类包装。因此，机器视觉工程师研发出了分类器，以满足工业发展的需要。    图像分类原理：    根据不同的特征，如颜色，寻找合适的分界规律，该规律适应于大部分的图像数据。例如：直线y=ax+b，将图像中的像素分成两类。    算子：        create_class_svm（&#x

🎉粉丝福利送书：《人工智能数学基础》🎉点赞👍收藏⭐留言📝即可参与抽奖送书🎉下周三(9月22日)晚上20：00将会在【点赞区和评论区】抽一位粉丝送这本书~🙉🎉详情请看第三点的介绍嗷~✨目录1.PCA主成分分析1.1算法简介1.2实现思路1.3公式推算1.3.1PCA顺序排序1.3.2样本协方差矩阵1.4小练习2.

机器学习算法学习01：利用Numpy编写KNN算法解决手写体数字识别问题文章目录机器学习算法学习01：利用Numpy编写KNN算法解决手写体数字识别问题前言1.算法介绍2.数据集介绍3.先决条件：安装numpy,sklearn库4.算法代码编写5.实验结果分析5.1保持其他变量不变，修改计算距离方式1.计算距离采用mse(均方绝对误差)：2计算距离采用RMSE(均方根误差)方式:5.2保持其他变量不变，

Android恶意样本分析——三层锁机样本破解一、样本介绍最近在吾爱上看到一个三层锁机的样本，恰好最近在学习研究Frida，通过动静态分析来彻底了解一下这个锁机样本。 二、实验环境夜神模拟器+Kalijadx-guiVisualStudioCodeAndroidStudio三、实验步骤（1）静态分析我们先通过jadx-gui打开恶意样本程序，开始静态分析： 我们在AndroidManifest.xml文件中可以找到样本的入口点，可以发现样本中存在三个service