本文将详细的说明Mean Shift的基本思想及其扩展,其背后的物理含义,以及算法步骤,并给出理论证明.最后本文还将给出Mean Shift在聚类,图像平滑,图像分割,物体实时跟踪这几个方面的具体应用.

1.基本概念 **线性回归（Linear Regression）**是一种通过属性的线性组合来进行预测的线性模型，其目的是找到一条直线或者一个平面或者更高维的超平面，使得预测值与真实值之间的误差最小化。 2.特点 优点：结果具有很好的可解释性（w直观表达了各属性在预测中的重要性），计算熵不复杂。 缺点：对非线性数据拟合不好 适用数据类型：数值型和标称型数据 3.自己实现的线性回归 3.1 简单线性回归 1.利用最小二乘法得到的系数 2.用简答随机数模拟的方法来搭建简单线性回归 import numpy as np import matplotlib.pyplot as plt x =

快速mex K-means聚类算法，可进行K-mean ++初始化 (mex-interface 修改自原始 yael 包 https://gforge.inria.fr/projects/yael) - 接受单/双精度输入 - 支持 BLAS/OpenMP 进行多核计算 请运行 mexme_kmeans.m 来编译 mex 文件（确保已经完成了 mex -setup 至少一个） 运行演示“test_yael_kmeans.m”

https://github.com/hysts/anime-face-detector

mean variance

mean shift算法的彩图分割算法，能够实现彩色图像的相关分割，亲测有效。

.m example for mean-shift clustering algorithm. To use the mean-shift file your self, you need to adjust the 'bandwidth' by your self. To see what is happening, run 'testMeanShift.m' file. Originally from the file on MathWork, with a few adjustment.

K-means算法简介 K-means是机器学习中一个比较常用的算法，属于无监督学习算法，其常被用于数据的聚类，只需为它指定簇的数量即可自动将数据聚合到多类中，相同簇中的数据相似度较高，不同簇中数据相似度较低。 K-MEANS算法是输入聚类个数k，以及包含 n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。 核心思想 通过迭代寻找k个类簇的一种划分方案，使得用这k个类簇的均值来代表相应各类样本时所得的总体误差最小。 k个聚类具

LMS算法MATLAB实现。用MATLAB编程语言实现了最小均方算法。

此函数提供多元正态分布条件期望和协方差矩阵的矢量化估计。 均值是一个矩阵，其中行表示期望向量。 Sigma 是协方差矩阵。 Ind 是第一个无条件参数的索引。 值是条件值的矩阵，其中的行对应于平均行。