提出了一种基于图像的陨石坑区域检测技术。首先，通过对原始图像进行Census变换并获取变换后的直方图；其次，利用主分量分析的方法对直方图空间进行降维压缩，并将压缩后的直方图作为特征向量，同时利用主分量分析的重构误差设定阈值构建第一层分类器；再次，基于Boosting原则对训练样本集进行选择，并利用支持向量机构建第二、三层分类器；最后，将测试样本依次送入这3层分类器确定该样本是否含有陨石坑。在实验过程中，通过对原始图像进行连续缩放，并遍历所有大小为20×20的子图像，以检测大小不一的陨石坑区域，并研究了虚警
2021-10-09 21:44:34
494KB
1
Ensemble(集成)
1954年，Hebb使用这个单词来说明视觉神经细胞的信息加工方式
假设信息加工是由神经集合体来完成
2021-10-09 13:01:42
1.05MB
1
集成学习Bagging ，Boosting等介绍的PPT。集成方法是构建一种对单个分类器进行集成的学习算法，将各分类器的分类结果以一定的方式集成起来实现对新数据点进行分类，其中单个分类器是独立的且不要求分类精度很高。通过这种方式，大大提高了集成系统的性能。
2021-10-02 19:41:37
1.05MB
1
集成学习基础思维导图，根据该导图可以对集成学习有一个框架上的了解，学习了解bagging、boosting、下的随机森林、GBDT、xbg等
2021-09-26 10:21:22
2.12MB
1
本课程分为4个模块。
第一个模块通过预测年龄的直观案例理解GBDT算法流程。
第二个模块通过GBDT的三要素：GB(梯度提升)，DT(回归树)和Shrinkage(缩减)理解GBDT的算法核心。
第三个模块通过剖析分类和回归损失函数来讲解GBDT在分类和回归方面的应用。
第四个模块通过手动方式一步步拆解讲解GBDT回归，二分类，多分类的过程，还原真实迭代流程。
第五个模块通过真实案例讲解GBDT的工作中所用API。
资料：
视频：
2021-09-20 22:03:20
8.82MB
1
关于机器学习方面的集成算法，包括boosting和bagging，里面讲解详细，值得下载
2021-09-19 21:17:35
2.8MB
1
Experiment With a New Boosting Algorithm.pdf
2021-09-18 19:05:40
164KB
1
Additive logistic regression-a statistical view of boosting.pdf
2021-09-18 19:05:40
728KB
1
只希望这份资源对想研究迁移学习的同学有用，我主要研究这方面，以后有什么好的资源会继续分享的，希望大家能互相交流。
2021-08-15 15:50:28
4.42MB
1
pdf包含机器学习中集成学习的相关内容，包括bagging、stacking和Boosting的区别，bagging的具体实现算法-随机森林以及Boosting的具体实现算法-AdaBoost。
2021-08-10 19:45:29
2.53MB
1