- 博客(6)
- 收藏
- 关注
RSS订阅原创 Python关于字迹提取
这里的第二步，虽然前面使用了高斯模糊，减少了噪点，可是效果并不能说完美，我们还需要再处理，当这些噪点被红色轮廓描述出来时，它变成“点”，我们需要清理它，在这里我们使用的是cv2.approxPolyDP()。再用高斯模糊，去除噪点，使更平滑。设置阈值，使像素点高的呈现白色，低的呈现黑色。对于字迹提取，硬笔与毛笔最初的处理一样，但最后呈现在用户面前需要做细小差异的处理。在上面部分，高斯模糊是很重要的一部分，他可以平滑图像，它的本质是使用。2.近似轮廓，减少点的数量，使轮廓边缘更加平滑。，让像素值更加平滑。
2025-03-15 16:20:55
369
1原创 决策树和随机森林
其中， 𝐿𝛼(𝑇) 表示最终损失（希望决策树的最终损失越小越好），𝐺𝑖𝑛𝑖(𝑇) 表示当前结点的熵或基尼系数， |𝑇| 表示当前结点包含的数据样本个数， 𝑇𝑙𝑒𝑎𝑓 表示当前结点被划分后产生的叶子结点个数（显然，叶子节点越多损失越大），𝛼 是由用户指定的偏好系数（ 𝛼 越大代表我们对 “划分出更多的子结点” 的惩罚越大，即越不偏好于决策树的过分划分，因此有助于控制模型过拟合；如上图，这是一个简单的决策树，我们可以清晰的看到它的特征顺序是天气，温度，风速。为了简化模型，同时不丢
2024-12-16 00:33:28
857
原创 SVM算法
但是，基于实际情况来说，线性可分的数据集是非常有限的，这里我们引入软间隔的概念。而较小的 γ 则会导致较简单的模型，因为单个样本的影响范围较大，可能会导致欠拟合，即模型过于简单而无法捕捉到数据中的细微模式。我们用直线在坐标轴上划分，以此划分区域，将数据点分类，我们可以在图上看出，满足它的有三条直线来划分数据。它是一个偏执项，调整核函数的灵敏度，它通常设置为非负值。在软间隔里，引入了松弛变量，它允许一些点被错误的分类，但是相应的会得到一些惩罚，这里的松弛变量表示为ξi，它需要满足的条件也变成了。
2024-12-02 13:47:19
762
原创 机器学习—聚类算法
它是一种无监督学习方法，用于对未标记的数据进行分类。聚类的目标是将数据集中的对象分成多个组（簇），使得同一个簇内的对象彼此相似，而不同簇的对象彼此相异。
2024-11-02 16:43:52
875
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人