在决策树算法原理(上)这篇里,我们讲到了决策树里ID3算法,和ID3算法的改进版C4.5算法。对于C4.5算法,我们也提到了它的不足,比如模型是用较为复杂的熵来度量,使用了相对较为复杂的多叉树,只能处理分类不能处理回归等。对于这些问题, CART算法大部分做了改进。CART算法也就是我们下面的重点了。由于CART算法可以做回归,也可以做分类,我们分别加以介绍,先从CART分类树算法开始,重点比
先占座 第一章 马尔科夫模型概述 首先,这部分的较少网上大家转载了好多次了,我已经找不到具体的出处了。我参考的是这个大牛的博客:https://www.cnblogs.com/zhizhan/p/4161516.html 1.1 马尔科夫链 如下图的马尔科夫模型状态转移 图中的方框代表你要建模过程的可能状态,箭头表示状态间的转移情况。箭头上的标签表示转移概率。
之前在朴素贝叶斯算法原理小结这篇文章中,对朴素贝叶斯分类算法的原理做了一个总结。这里我们就从实战的角度来看朴素贝叶斯类库。重点讲述scikit-learn 朴素贝叶斯类库的使用要点和参数选择。 1. scikit-learn 朴素贝叶斯类库概述 朴素贝叶斯是一类比较简单的算法,scikit-learn中朴素贝叶斯类库的使用也比较简单。相对于决策树,KNN之类的算法,朴素贝叶斯需要
在所有的机器学习分类算法中,朴素贝叶斯和其他绝大多数的分类算法都不同。对于大多数的分类算法,比如决策树,KNN,逻辑回归,支持向量机等,他们都是判别方法,也就是直接学习出特征输出Y和特征X之间的关系,要么是决策函数Y=f(X)Y=f(X),要么是条件分布P(Y|X)P(Y|X)。但是朴素贝叶斯却是生成方法,也就是直接找出特征输出Y和特征X的联合分布P(X,Y)P(X,Y),然后用P(Y|X)=P(
看完第二节,区看后面的代码 1. 写在前面的屁话。 最近的科研任务需要对HOG算法进行魔改,很自然的就需要来看一看算法,看一看代码了。一开始网上down了一些代码,发现效果很差。分析了一下原因,发现他们都是根据作者论文直接复现的。然后没办法,把matlab中的代码调出来看了一下,果然,事情没有那么简单。 里面分别用了高斯滤波,三线性插值这两个骚操作,简直666. 讲道理
绪论 我是致力于研究使用机械手控制超声探头的运动,最终实现用机械手代替人类的部分工作,实现对部分疾病的筛查,这样可以缓解超声科医生的工作压力。同时·,这项技术如果成功且成熟了,那么以后可以将其推广到偏远的贫困地区,这个意义是非常重大的。因为培养一个成熟的超声科医生需要三到五年时间,而对于技术熟练的医生来讲,他们是不愿意到偏远地方长期任职的,因此开发这个技术可以给偏远地区的人带来很大的福利
开篇总结:———机械手运动学是机器人控制中的重要研究内容,得知机械手各关节变量的大小,可以计算出机械手末端的位姿,这个过程叫做机械手的正向运动学;———获得机械手末端在笛卡尔空间中的位姿,可以计算机械手的各个关节变量的大小,这种逆过程叫做机械手逆向运动学。———给定机械手各关节大小以及 D-H 模型,则可以唯一计算出机械手末端在笛卡尔空间中的位姿,但是,其逆过程可能对应多个解。 机械手的
在K近邻法(KNN)原理小结这篇文章,我们讨论了KNN的原理和优缺点,这里我们就从实践出发,对scikit-learn 中KNN相关的类库使用做一个小结。主要关注于类库调参时的一个经验总结。 1. scikit-learn 中KNN相关的类库概述 在scikit-learn 中,与近邻法这一大类相关的类库都在sklearn.neighbors包之中。KNN分类树的类是KNeighbors
如何建立机械手末端位姿与图像雅克比矩阵之间的关系呢?这句话大家一听可能会有点懵逼,这是什么,为什么要研究? 首先,但凡想入门机械手控制这个坑的人应该都看过下面的这几句话和公式。 1. 基础知识—视觉伺服的基本思想 ———基于视觉的伺服控制方法的目的是最小化一个图像误差,该误差可以定义为:e(t)=s(m(t),a)−s∗e(t)=s(m(t),a)-s^{_}e(t)=s(
1。 序言 首先,我是看这两篇文章的。但是,他们一个写的很笼统,一个是根据Encoder-Decoder和Query(key,value)。第二个讲的太深奥了,绕来绕去,看了两天才知道他的想法。 https://segmentfault.com/a/1190000014574524 这个是讲的很笼统的https://blog.csdn.net/qq_40027052/article/detai
confidence map 置信图 matlab实现confidence map的代码可以到github下载,点击此链接 python实现,这边还有一个改进版本的,也可以看一下,都很不错 1. 前言 前几天想快速了解一下什么是置信图,结果就百度了一下,发现完全没有相关的大佬出来发帖解释。没办法了,只能去找原文看一看了。先给大家总结一下关于置信图(confidence map)的知识点,并
Ardupilot飞控固件的仿真模拟 主要写一下Linux上的仿真模拟环境的配置以及与windows端的地面站连接,仿真模拟不得不用,老早就想配置,一直无果,终究今天也算运行出来,写下来记录一下。上图: 主要参考官网和csdn魔城烟雨大佬的文章,再次跪拜。环境是window10+ubuntu虚拟机首先是安装必要的工具 sudo apt-get install python-dev
DroneKit与MAVProxy的通信与仿真验证 通过参照csdn大神沉迷学习的Roger,将搭建好的仿真环境MAVProxy,与已经和与飞控建立好通信的DroneKit两者进行结合,完成了整个的模拟仿真过程,先看一下结果图吧,具体操作方法如下: 以下过程的前提是建立在我以往帖子的基础上进行的,上篇文章讲了如何搭建一个MAVProxy的仿真环境,在这个基础上,运行之后,继续增加输
Ardupilot仿真模拟之Dronekit实现方向控制 由于在Dronekit中只有相关的simple_goto等通过Gps控制前进的命令,那么想要室内实现前后左右如何进行控制呢,先看仿真图 既然没有,那就只能找有的,在mavlink中提供了相关函数,所以就只好自己写一部分加进去,即可实现前后左右控制了。 以下程序仿照大佬Lin_QC的文章 def send_body_ned_v
Ardupilot固件之Flightgear模拟仿真 一直想做gazebo的无人机仿真,截至目前,ardupilot的gazebo总是跑不出来,偶然看到了Flightgear,装了下感觉还可以。首先确保你的SITL仿真完成,运行sim_vehicle.py会有结果。然后开始安装Flightgear sudo apt-get install flightgear 完成后进入你的ardupi
K近邻法(k-nearest neighbors,KNN)是一种很基本的机器学习方法了,在我们平常的生活中也会不自主的应用。比如,我们判断一个人的人品,只需要观察他来往最密切的几个人的人品好坏就可以得出了。这里就运用了KNN的思想。KNN方法既可以做分类,也可以做回归,这点和决策树算法相同。 KNN做回归和分类的主要区别在于最后做预测时候的决策方式不同。KNN做分类预测时,一般是选择多数
这个任务老早就开始配环境了,但是gazebo的仿真环境一直没有配好,搁置了许久,今日清晨,茅塞顿开,顺利完成gazebo的配置并完成键盘控制,记录一下,方便后面学习。 效果图:通过键盘控制无人机运动及起飞、降落等基本操作。 因为ardupilot仿真资料较少,官网提供了很大帮助,在gazebo仿真过程中,也是参考github官网的说明 ardupilot官网:https://ardupilo
逻辑回归是一个分类算法,它可以处理二元分类以及多元分类。虽然它名字里面有“回归”两个字,却不是一个回归算法。那为什么有“回归”这个误导性的词呢?个人认为,虽然逻辑回归是分类模型,但是它的原理里面却残留着回归模型的影子,本文对逻辑回归原理做一个总结。 1. 从线性回归到逻辑回归 我们知道,线性回归的模型是求出输出特征向量Y和输入样本矩阵X之间的线性关系系数θθ \t
PX4困扰好久,总是在编译出问题,最后不了了之。效果如下: 先给权限,然后注销 sudo usermod -a -G dialout $USER PX4固件编译 首先第一步,你要明白,PX4固件一直在更新,我在Github直接git的版本的是1.11,而当前编译一般停留在1.8、1.9版本,所以,固件源码下载一定要指定版本。我这里下载的是1.8版本。 git clone -b
内容列表 1 简介 2 特色 2.1 为什么模拟 2.2 技术 2.2.1 多方法建模环境 2.3 建模库 流程建模库 行人库 道路交通库 铁路库 流体库 物料搬运库 2.4 云 2.5 人工智能 2.6 数字孪生 3 技术分析 3.1 如下消息证实用到Java 参考 1 简介 An
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信