搜索资源列表
Algorithms-of-the-Intelligent-Web
- 玛若曼尼斯、巴宾寇编著的《智能Web算法》涵盖了五类重要的智能算法：搜索、推荐、聚类、分类和分类器组合，并结合具体的案例讨论了它们在Web应用中的角色及要注意的问题。除了第1章的概要性介绍以及第7章对所有技术的整合应用外，第2-6章以代码示例的形式分别对这五类算法进行了介绍。-Algorithms of the Intelligent Web shows readers how to use the same techniques employed by household names like
C4.5
- 基于C4.5的决策树算法，一种非线性分类器-Based on C4.5 decision tree algorithm, a nonlinear classifier
face-recognition
- 用于模式识别的人脸识别方法，特征提取以及分类器改进-Face recognition method for pattern recognition, feature extraction and classifier improvement
moshishibie
- 模式识别 二维高斯随机数 fisher线性分类器-Two-dimensional Gaussian random number pattern recognition fisher linear classifier
bayes-function
- python语言写的bayes分类器，自己写的，完全可用！-written in python language bayes classifier, write your own, completely free!
svm
- python语言写的SVm分类器，自己写的，完全可用！-python language written SVm classifier, write your own, completely free!
BeyesClassifier
- 一个基于naive beyes的分类器，研究一下-naive beyes classifier ，good code of java
Classifier
- 文本分类器，一款根据文本特征，将文本识别为哪一类，如体育文章（不知道的），分类器自动识别为体育类。 -A classifier for files catogery!
yinxiefenxin
- 基于运动矢量的视频隐写分析算法，提取出特征值进行分类器训练-Video based on motion vector steganalysis algorithm to extract the characteristic values for classifier training
8152961orl_faces
- 一些国外人脸识别的测试集，可以用在分类器中。-Some foreign face recognition of the test set, can be used in classifier.
adaboost
- 这个是经典的adaboost分类器算法，很有用的-This is a classic adaboost classifier algorithm, very useful
Bayes_test
- 利用GDAL库和OPENCV中的贝叶斯分类器对遥感图像进行分类，简单的两类-Using GDAL and OPENCV, bayes classification. two classes.
SVM_test
- 利用GDAL和Opencv中的SVM分类器对遥感图像进行分类操作。-Using gdal and opencv to do SVM classification.
BSCA
- 关于线性分类器的分类问题 如何将不同种类的对象分离-Linear classifier
pca
- 模式识别里面的经典PCA算法，用OpenCV视觉开发库实现的。该算法主要用于训练分类器，然后来对人脸来进行识别。-PCA algorithm developed with OpenCV
Seal-Identification
- 运用H15；I色彩窄间对印章图像颜色特征提取等一系列预处理，研究了多种识 别方法后发现基于纹理特征的印鉴识别方法不但速度快，而且识别率也较高，并且方法简便。通 过将极坐标和傅垦叶变换结合，计算m印签图像纹理的频谱度量，来完成印鉴的特征提取，运用支 持向量机分类器对印鉴进行识别，实验证明，方法具有良好的旋转不变纹理分析性能，提高了识别 率。-It WaS found a fast，simple and a higher seal image(HSI)identification
Fisher-linear-discriminant-method
- 此为模式识别中的Fisher线性判别方法求分类器。进行了男、女错误率和总错误率的统计。 全部程序流程如下： 1、读取FAMALE.TXT文件把身高或体重给数组，并求x1的样本均值m1和内离散度S1； 2、读取MALE.TXT文件把身高或体重给数组，并求x2的样本均值m2和内离散度S2； 3、求最佳变换向量和阀值点； 4、读取Test2.txt文件把对应的身高或体重给数组A并求A的样本数M； 5、把最佳变换向量和阀值点、x代入判别方程g（x）； 6、对本判别的错误率进行
Minimum-Bayes-classifier-error-rate
- 这是模式识别中最小错误率Bayes分类器设计方案。 自行完善了在不同先验概率的条件下，男、女错误率和总错误率的统计，放入各个数组当中。 全部程序由主函数、最大似然估计求取概率密度子函数、最小错误率贝叶斯分类器决策子函数三块组成。 调用最大似然估计求取概率密度子函数时，第一步获取样本数据，存储为矩阵；第二步对矩阵的每一行求和，并除以样本总数N，得到平均值向量；第三步是应用公式（3-43）采用矩阵运算和循环控制语句，求得协方差矩阵；第四步通过协方差矩阵求得方差和相关系数，从而得到概率密度
Minimum-Risk-Bayes-classifier
- 这是模式识别中最小风险Bayes分类器的设计方案。在参考例程的情况下，自行完善了在一定先验概率的条件下，男、女错误率和总错误率的统计，放入各个数组当中。 全部程序由主函数、最大似然估计求取概率密度子函数、最小错误率贝叶斯分类器决策子函数三块组成。 调用最大似然估计求取概率密度子函数时，第一步获取样本数据，存储为矩阵；第二步对矩阵的每一行求和，并除以样本总数N，得到平均值向量；第三步是应用公式（3-43）采用矩阵运算和循环控制语句，求得协方差矩阵；第四步通过协方差矩阵求得方差和相关系数，从
gender-classification-experiments
- 这是用身高体重数据进行性别分类的实验。 用最小错误率贝叶斯分类器决策时，首先通过比较概率大小判断一个体重身高二维向量代表的人是男是女，然后再逐一与已知性别的数据比较，就可以得到错误率的统计。然后改变先验概率，重复上面的过程，观察数据结果的变化。 用最小风险贝叶斯分类器决策时，首先求出用最小错误率贝叶斯分类器得到的条件概率；然后根据人为给定的决策表，根据公式算出条件风险；然后逐一比较条件风险，找出使条件风险最小的决策（也就是分类）。最后用分类得到的结果逐一比较已经知道的原始数据，统计处错误