搜索资源列表
libsvm_src_2.6NOTE
- LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件还有一个特点，就是对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题；并且提供了交互检验(Cross Validation)的功能。该软件包可以在http://www.csie.ntu.edu.tw/~c
libsvm-mat-2[1].9-11
- LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件还有一个特点，就是对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题；并且提供了交互检验(Cross Validation)的功能。该软件包可以在http://www.csie.ntu.edu.tw/~c
-SVM-(support-vector-machine)
- 支持向量机SVM是一种新的机器学习方法，其基础是统计学理论。模型泛化能力强；进行非线性分类时通过高维空间变换。-Support vector machine SVM is a new machine learning method, its base is statistics theory. Model generalization ability When the nonlinear classification by high dimension space transformation
ZTSBSVM
- 算法提出了 一个新的部位观测模型和一种新的减小部位状态空间的方法：（1）对人体不同部位采用不同尺寸的细胞单元计算HOG特 征，并利用线性SVM进行分类，从而提出一种新的部位观测模型；（2）利用人体部位定位的先验分布确定部位定位区域，然 后通过邻域归并和设置与部位模板的匹配度阈值进一步减小状态空间，从而提出了一种减小部位状态空间的方法。仿真 实验结果表明所提算法与传统算法相比更加有效。-Algorithm proposed site of a new observation mod
svm
- 1．掌握支持向量机（SVM）的原理、核函数类型选择以及核参数选择原则等； 2．熟悉基于libSVM二分类的一般流程与方法；-1. Master support vector machine (SVM) principles, and the type of kernel function kernel parameter selection principles 2. Familiar with the process-based approach libSVM two classifi
SVM
- Hog+SVM是速度和效果综合平衡性能较好的一种行人检测方法。后来，虽然很多研究人员也提出了很多改进的行人检测算法，但基本都以该算法为基础框架。因此，Hog+SVM也成为一个里程表式的算法被写入到OpenCV中。在OpenCV2.0之后的版本，都有Hog特征描述算子的API，而至于SVM，早在OpenCV1.0版本就已经集成进去了；OpenCV虽然提供了Hog和SVM的API，也提供了行人检测的sample，遗憾的是，OpenCV并没有提供样本训练的sample。这也就意味着，很多人只能用Ope
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)
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分类预测
- wine的数据来源是UCI数据库，记录的是在意大利同一区域里三种不同品种的葡萄酒的化学成分分析，数据里含有178个样本，每个样本含有13个特征向量（化学成分），每个样本的类别标签已给，该程序主要实现意大利葡萄酒种类识别。(The data source for wine is the UCI database, which records the chemical composition of three different varieties of wines in the same area
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
code
- 可完成相应的SVM分类、决策树分类、图片压缩、图片重采样、中值滤波等图片处理工作(It can complete the corresponding picture processing work.)
libsvm-3.21
- SVM工具箱，里面有安装说明和使用方法，非常实用，可用作回归分类。(SVM toolbox, there are installation instructions and use method, very practical, can be used as a regression classification)
da
- 基于码本（codebook）的背景建模的背景差分法+级联基于LBK或haar的adaboost和基于hog的svm分类器+快速hough圆变换进行人头识别+基于区域特征的目标跟踪算法。(编程) AdaBoost是一种增强性机器学习算法，它用于把弱分类器联合成强分类器；SVM本身就是(Background modeling based on codebook (codebook) background difference method + cascade based on LBK or Haa
fa(4)
- 基于码本（codebook）的背景建模的背景差分法+级联基于LBK或haar的adaboost和基于hog的svm分类器+快速hough圆变换进行人头识别+基于区域特征的目标跟踪算法。(编程)(Background modeling based on codebook (codebook) background difference method + cascade based on LBK or Haar AdaBoost and hog based SVM Classifier + fast
ga (6)
- 基于码本（codebook）的背景建模的背景差分法+级联基于LBK或haar的adaboost和基于hog的svm分类器+快速hough圆变换进行人头识别+基于区域特征的目标跟踪算法。(编程) AdaBoost是一种增强性机器学习算法(Background modeling based on codebook (codebook) background difference method + cascade based on LBK or Haar AdaBoost and hog based
20171211留档
- 利用SVM对制备的样本进行三分类，对图像进行三角形匹配，模板匹配(SVM was used to classify the samples in three categories. Triangle matching and template matching were applied to the images.)
SVM
- 使用SVM算法实现数据分类预测，编程使用MATLAB实现(SVM algorithm is used to realize data classification and prediction, and programming is realized by MATLAB.)
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)