随机森林是一种一种分类算法，属于集成学习中的Bagging算法，即引导聚合类算法，由于不专注于解决困难样本，所以模型的performance会受到限制。在学习随机森林算法之前，首先要弄懂三个概念：决策树；集成学习（Ensemble Learning）[多分类系统]；自主采样法（Boostrap Sampling）。 随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。随机森林属于机器学习的一大分支——集成学习（EnsembleLearning）方法。随机森林具有对于很多种资料，可以产生高准确度的分类器；可以处理大量的输入变数；可以在决定类别时，评估变数的重要性；可以在内部对于一般化后的误差产生不偏差的估计；对于不平衡的分类资料集来说，可以平衡误差等优点。 注意：这份源码有调用到一个封装的32位的库，必须是32位的matlab才能运行成功

计算机视觉-决策树学习MATLAB源码 与其他的数据挖掘算法相比，决策树有许多优点: （1）易于理解和解释 人们很容易理解决策树的意义。 （2）只需很少的数据准备 其他技术往往需要数据归一化。 （3）即可以处理数值型数据也可以处理类别型 数据。其他技术往往只能处理一种数据类型。例如关联规则只能处理类别型的而神经网络只能处理数值型的数据。 （4）使用白箱 模型，输出结果容易通过模型的结构来解释。而神经网络是黑箱模型，很难解释输出的结果。 （5）可以通过测试集来验证模型的性能 。可以考虑模型的稳定性。 （6）强健控制. 对噪声处理有好的强健性。 （7）可以很好的处理大规模数据 。 缺点： （1）训练一棵最优的决策树是一个完全NP问题。因此, 实际应用时决策树的训练采用启发式搜索算法例如 贪心算法 来达到局部最优。这样的算法没办法得到最优的决策树。 （2）决策树创建的过度复杂会导致无法很好的预测训练集之外的数据。这称作过拟合。 剪枝机制可以避免这种问题。 （3）有些问题决策树没办法很好的解决,例如 异或问题。解决这种问题的时候，决策树会变得过大。

c++ 实现 ，基于opencv的 视觉跟踪 代码，使用前请按照网上教程正确配置opencv3。

cmt算法是热心网友分享的一个跟踪算法 思路是：特征点匹配+光流法，然后用投票一致性去除外点。论文结果显示比tld效果更优

——代码完成于2021-11-12 整体思路： 用两个数组分别模拟 A->B 和B->A间通讯的信道。A、B两主机各自拥有独立线程。线程move用来模拟信道中信号的移动。线程show用于打印信道。其中线程move和show detach()后作为子线程在后台独立运行。

扫描线Z-buffer算法() { 建多边形y表；对每一个多边形根据顶点最小的y值，将多边形置入多边形y表。 活化多边形表APT，活化边表AET初始化为空。 For(每条扫描线i，i从小到大) { 1. 帧缓存CB置为背景色。 2. 深度缓存ZB (一维数组) 置为无穷大。 3. 将对应扫描线i的，多边形y表中的多边形加入到活化多边形表APT中。 4. 对新加入的多边形，生成其相应的边Y表。 5. 对APT中每一个多边形，若其边Y表中对应扫描线I增加了新的边，

（3）参数化裁剪算法 线段的参数方程为： 对于线段上任一点P(t)：  1） >0，P(t)在多边形内；  2） =0，P(t)在多边形边界及其延长线上；  3） <0，P(t)在多边形外； 9

球的动态隐线算法,计算机图形学！程序通过调试！

优化后的中点画圆算法(正式算法) void MidPointCircle(int r, int color) { int x,y,d;   x=0;  y=r;  e=1-r; // 初值e=1-r   Circlepoints (x,y,color); // 画八分对称性的其他点   while(x<=y) // 画到直线x=y结束 { if(e<0)   e+=2*x+3; // d=0，取右下点，d增    x++;    Circlepoints (x,y,color); // 画八分对称性的其他点   } }

好友推荐算法方面计算机学报的论文，都比较好，本人亲自看过的。