搜索资源列表
Autoencoder_Code
- 实现对于数据特征的识别和提取，进而实现重构，重构值与输入数据相差越小越好，对于该深度学习网络的训练可以分为预训练和调优过程，对此需要把数据按比例分为训练集和测试集，进行系数的调整，从而实现数据重构。-For realization identify and extract data features, thus achieving the reconstruction, reconstruction of the input data value difference as small as p
proj4
- 使用滑动窗的人脸检测，滑动窗口能够独立地对图片块进行分类，以确定是否属于被检测目标。内容如下： 1)载入正样本训练集（人脸），并将其转化为HoG特征 2)载入负样本训练集（没有人脸的任意场景），也将其转化为HoG特征 3)使用SVM，对分类器进行训练，训练集包括正训练集和负训练集 4)使用训练好的分类器，在不同的尺度上，对测试集进行分类 -Face detection with a sliding window.
digits
- 手写体二进制图片库，用于机器学习的训练集和测试集。-Handwriting binary image gallery, used for training set and testing set of machine learning.
email
- 机器学习算法的数据集，包含训练集和测试集。主要用于邮件分类-Machine learning algorithms of data sets, including training set and testing set.Mainly used for E-mail classification
444
- 算法流程：选定训练集和测试集-数据预处理-交叉验证选择最佳参数-分类准确率-预测-利用最佳参数训练SVM-Algorithm flow: selected training set and test set- data preprocessing- cross-validation selection of the best parameters- classification accuracy- prediction- training SVM using the best parameter
biaoqing
- 对jaffe人脸库进行识别测试的主程序，将jaffe人脸库分为训练集和测试集两部分，首先对图片进行LBP+LPQ特征提取，然后svm分类识别，统计识别率-Jaffe face for the identification of the main test will jaffe face is divided into a training set and a test set of two parts, the first of LBP+LPQ image feature extractio
SVMwineclassification
- 选择１７８个样板的５０％作为训练集，另外的作为测试集，用训练集对ＳＶＭ进行训练得到分类模型，再用得到的分类模型对测试集进行类别标签预测。-Select 178 model 50 as the training set, the other as the test set, the SVM training classification model with the training set, and then the classification model by category label
FeatureSelection
- 为一个matlab的一个线性回归的例子，有测试集和训练集-For a matlab of a linear regression example, there are test sets and training sets
test2
- 为一个matlab的一个线性回归的例子，有测试集和训练集-For a matlab of a linear regression example, there are test sets and training sets
codes
- 手写数码（0到9）识别的神经网络框架。附有数据训练集和测试集。采用随机梯度下降的BP算法。可以修改参数，加入drop out和动量法。-Digital handwriting (0 to 9) of the neural network recognition framework. With training and test data sets. BP algorithm using stochastic gradient descent. Parameters can be modified
knear
- 使用MATLAB实现的非参数技术分类，包含了k近邻技术，包含数据集和测试集，具有很大的参考意义。-Non-parametric classification techniques implemented using MATLAB, including k-nearest neighbor technology, including data sets and test sets, has great reference value.
FilelistGenerator
- 用于CAFFE图片训练集、测试集的生成，可生成文件列表及分类，用于后续处理-Used for CAFFE training set and testing set generated images, can generate the file list and classification, for subsequent processing
KNN
- 最近邻算法的python代码，包含有可使用的数据集和测试集。-The python code for the nearest neighbor algorithm contains available data sets and test sets.
logregress
- 逻辑回归的python代码，里面包含一定的数据集和测试集。-The logical regression python code contains a set of data sets and test sets.
模式识别第一次作业
- 1． 用 dataset1.txt 作为训练样本，用dataset2.txt 作为测试样本，采用身高和体重数据为特征，在正态分布假设下估计概率密度（只用训练样本），建立最小错误率贝叶斯分类器，写出所用的密度估计方法和得到的决策规则，将该分类器分别应用到训练集和测试集，考察训练错误率和测试错误率。将分类器应用到dataset3 上，考察测试错误率的情况。(1. using dataset1.txt as training samples as test samples by dataset2.tx
BP神经网络运动状态分类
- 该程序可以通过训练集对所构建的BP神经网络进行训练，并能通过测试集，即对不同的运动状态进行分类。(The program can train the constructed BP neural network through the training set, and can classify the different motion states through the test set.)
Class_3_Code
- 将concrete_data.mat文件导入到MATLAB中，其中attributes为影响混凝土抗压强度的7个输入变量，strength为混凝土的抗压强度，即输出变量； 将整个数据集中的103个样本随机划分为训练集与测试集，其中训练集包含80个样本，测试集包含23个样本； 将训练集与测试集数据进行归一化； 建立BP神经网络，并训练； 利用训练好的BP神经网络对测试集中的23个样本的抗压强度进行预测； 输出结果并绘图（真实值与预测值对比图）(The concrete_data.mat
DataMiningProject1
- 实现了数据集的随机划分，并且能计算测试集的准确率(First, the random partition of the data set is realized, and the accuracy of the test set can be calculated by the KNN classification algorithm)
FaceRec
- 人脸识别是一个有监督学习过程，首先利用训练集构造一个人脸模型，然后将测试集与训练集进行匹配，找到与之对应的训练集头像。最容易的方式是直接利用欧式距离计算测试集的每一幅图像与训练集的每一幅图像的距离，然后选择距离最近的图像作为识别的结果。这种直接计算距离的方式直观，但是有一个非常大的缺陷—计算量太大。如果每幅图像大小为100*100，训练集大小1000，则识别测试集中的一幅图像就需要1000*100*100的计算量，当测试集很大时，识别速度非常缓慢。(Face recognition is a s
人脸识别代码
- 人脸识别是一个有监督学习过程，首先利用训练集构造一个人脸模型，然后将测试集与训练集进行匹配，找到与之对应的训练集头像。最容易的方式是直接利用欧式距离计算测试集的每一幅图像与训练集的每一幅图像的距离，然后选择距离最近的图像作为识别的结果。(Face recognition is a supervised learning process. Firstly, a face model is constructed by training set, and then the test set is m