精华内容
下载资源
问答
  • Classifier

    2017-02-06 12:26:47
    Classifier make samples from sklearn.datasets import make_blobs X,y = make_blobs(n_samples= 500 , n_features= 3 ,centers= 4 ,cluster_std= 2 ,center_box=(- 10 , 10 , 10 ), shuffle= True , ...

    Classifier

    make samples

    from sklearn.datasets import make_blobs
    X,y = make_blobs(n_samples=500, n_features=3,centers=4,cluster_std=2,center_box=(-10,10,10), shuffle=True, random_state=1)

    KNeighborsClassifier

    sklearn

    class sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=1, **kwargs)

    from sklearn.neighbors import KNeighborsClassifier as KNN
    knn = KNN(n_neighbors=3)
    knn.firt(X,y)
    p = knn.predict_proba(X)

    KMeans

    from sklearn.cluster import kMeans
    clusterer = KMeans(n_clusters=n_clusters, random_state=10)
    clusterer = KMeans(n_clusters=n_clusters, random_state=10)
    cluster_labels = clusterer.fit_predict(X)

    determine the number of cluster

    silhouette

    sklearn document

    from sklearn.metrics import silhouette_samples, silhouette_score
    #The silhouette_score gives the average value for all the samples.This gives a perspective into the density and separation of the formed clusters
    silhouette_avg = silhouette_score(X, cluster_labels)
    
    #Compute the silhouette scores for each sample
    sample_silhouette_values = silhouette_samples(X, cluster_labels)

    Finding the K in K-Means Clustering

    Using BIC to estimate the number of k in KMEANS

    DBSCAN

    wiki

    展开全文
  • Cascade-Classifier Cascade Classifier
  • ClassifierTest-源码

    2021-03-06 02:49:15
    ClassifierTest
  • classifier4j Fork of Nick Lothian's Classifier4J Summariser 添加一个中文实现:ANSJSummariser。 使用ANSJ进行中文分词。
  • bayes classifier

    2014-05-02 21:23:28
    matlab code 里面包括贝叶斯classifier 和KNN 算法的代码 以及 readme使用说明
  • Cascade Classifier

    千次阅读 2019-05-30 10:32:03
    Cascade Classifier 一.基础概念 1.Haar和LBP特征 参考博客: https://blog.csdn.net/liudongdong19/article/details/81008160 2.主要函数 § CascadeClassifier() [1/2] cv::CascadeClassifier::...

    Cascade Classifier

    一.基础概念

    1.Haar和LBP特征

    参考博客:

    https://blog.csdn.net/liudongdong19/article/details/81008160

    2.主要函数

    • § CascadeClassifier() [1/2]

      cv::CascadeClassifier::CascadeClassifier()
      Python:
      =cv.CascadeClassifier()
      =cv.CascadeClassifier(filename)

      § CascadeClassifier() [2/2]

      cv::CascadeClassifier::CascadeClassifier(const String &filename)
      Python:
      =cv.CascadeClassifier()
      =cv.CascadeClassifier(filename)

      Loads a classifier from a file.

      • Parameters

        filenameName of the file from which the classifier is loaded.

    • § load()

      bool cv::CascadeClassifier::load(const String &filename)
      Python:
      retval=cv.CascadeClassifier.load(filename)
    • § detectMultiScale() [1/3]

      void cv::CascadeClassifier::detectMultiScale(InputArrayimage,
      std::vector< Rect > &objects,
      doublescaleFactor = 1.1,
      intminNeighbors = 3,
      intflags = 0,
      SizeminSize = Size(),
      SizemaxSize = Size()
      )

      image 输入图像

      objects 检测出的物体的矩形轮廓

      scaleFactor 这个是每次缩小图像的比例,默认是1.1

      minNeighbors 匹配成功所需要的周围矩形框的数目,每一个特征匹配到的区域都是一个矩形框,只有多个矩形框同时存在的时候,才认为是匹配成功,比如人脸,这个默认值是3。

      flags

      可以取如下这些值:
      CASCADE_DO_CANNY_PRUNING=1, 利用canny边缘检测来排除一些边缘很少或者很多的图像区域
      CASCADE_SCALE_IMAGE=2, 正常比例检测
      CASCADE_FIND_BIGGEST_OBJECT=4, 只检测最大的物体

      minObjectSize maxObjectSize:匹配物体的大小范围

      § detectMultiScale() [2/3]

      void cv::CascadeClassifier::detectMultiScale(InputArrayimage,
      std::vector< Rect > &objects,
      std::vector< int > &numDetections,
      doublescaleFactor = 1.1,
      intminNeighbors = 3,
      intflags = 0,
      SizeminSize = Size(),
      SizemaxSize = Size()
      )

      § detectMultiScale() [3/3]

      void cv::CascadeClassifier::detectMultiScale(InputArrayimage,
      std::vector< Rect > &objects,
      std::vector< int > &rejectLevels,
      std::vector< double > &levelWeights,
      doublescaleFactor = 1.1,
      intminNeighbors = 3,
      intflags = 0,
      SizeminSize = Size(),
      SizemaxSize = Size(),
      booloutputRejectLevels = false
      )

    二.代码实现

    #include "opencv2/objdetect.hpp"
    #include "opencv2/highgui.hpp"
    #include "opencv2/imgproc.hpp"
    
    #include <stdio.h>
    
    using namespace std;
    using namespace cv;
    
    /** Function Headers */
    void detectAndDisplay( Mat frame );
    
    /** Global variables */
    String face_cascade_name, eyes_cascade_name;
    CascadeClassifier face_cascade;
    CascadeClassifier eyes_cascade;
    String window_name = "Capture - Face detection";
    
    /** @function main */
    int main( int argc, const char** argv )
    {
        CommandLineParser parser(argc, argv,
            "{help h||}"
            "{face_cascade|../../data/haarcascades/haarcascade_frontalface_alt.xml|}"
            "{eyes_cascade|../../data/haarcascades/haarcascade_eye_tree_eyeglasses.xml|}");
    
        parser.about( "\nThis program demonstrates using the cv::CascadeClassifier class to detect objects (Face + eyes) in a video stream.\n"
                      "You can use Haar or LBP features.\n\n" );
        parser.printMessage();
    
        face_cascade_name = parser.get<String>("face_cascade");
        eyes_cascade_name = parser.get<String>("eyes_cascade");
        VideoCapture capture;
        Mat frame;
    
        //-- 1. Load the cascades //加载级联分类器文件
        if( !face_cascade.load( face_cascade_name ) ){ printf("--(!)Error loading face cascade\n"); return -1; };
        if( !eyes_cascade.load( eyes_cascade_name ) ){ printf("--(!)Error loading eyes cascade\n"); return -1; };
    
        //-- 2. Read the video stream //读取视频流
        capture.open( 0 );
        if ( ! capture.isOpened() ) { printf("--(!)Error opening video capture\n"); return -1; }
    
        while ( capture.read(frame) )
        {
            if( frame.empty() )
            {
                printf(" --(!) No captured frame -- Break!");
                break;
            }
    
            //-- 3. Apply the classifier to the frame//用级联分类器来检测目标图片
            detectAndDisplay( frame );
    
            if( waitKey(10) == 27 ) { break; } // escape
        }
        return 0;
    }
    
    /** @function detectAndDisplay */
    void detectAndDisplay( Mat frame )
    {
        std::vector<Rect> faces;
        Mat frame_gray;
    
        cvtColor( frame, frame_gray, COLOR_BGR2GRAY );//颜色空间转换,由于haar和LBP均是对灰度进行处理,所以必须事先转换成灰度
        equalizeHist( frame_gray, frame_gray );//直方图均衡化
    
        //-- Detect faces //检测脸
        face_cascade.detectMultiScale( frame_gray, faces, 1.1, 2, 0|CASCADE_SCALE_IMAGE, Size(60, 60) );//在目标图像中检测出脸的矩形轮廓
    
        for ( size_t i = 0; i < faces.size(); i++ )
        {
            Point center( faces[i].x + faces[i].width/2, faces[i].y + faces[i].height/2 );
            ellipse( frame, center, Size( faces[i].width/2, faces[i].height/2 ), 0, 0, 360, Scalar( 255, 0, 255 ), 4, 8, 0 );//画出包围脸部的椭圆
    
            Mat faceROI = frame_gray( faces[i] );//确定脸部所在的矩形区域为感兴趣区域,然后进行后续的眼睛检测
            std::vector<Rect> eyes;//矩形向量
    
            //-- In each face, detect eyes
            eyes_cascade.detectMultiScale( faceROI, eyes, 1.1, 2, 0 |CASCADE_SCALE_IMAGE, Size(50, 50) );//检测眼部
    
            for ( size_t j = 0; j < eyes.size(); j++ )
            {
                Point eye_center( faces[i].x + eyes[j].x + eyes[j].width/2, faces[i].y + eyes[j].y + eyes[j].height/2 );
                int radius = cvRound( (eyes[j].width + eyes[j].height)*0.25 );
                circle( frame, eye_center, radius, Scalar( 255, 0, 0 ), 4, 8, 0 );//画出眼部所在的圆圈
            }
        }
        //-- Show what you got
        imshow( window_name, frame );
    }
    

    ![](/home/mazh/Pictures/Screenshot from 2019-05-28 16-53-58.png)

    展开全文
  • DocumentClassifier-源码

    2021-03-20 11:29:45
    cd DocumentClassifier pip install -r requirements.txt python textclassifier.py 码头工人 安装docker然后运行 git clone https://github.com/wafa-nakbi/DocumentClassifier cd DocumentClassifier sudo ...
  • ecg_classifier-源码

    2021-04-19 18:46:03
    ecg_classifier
  • Spam_Classifier-源码

    2021-04-03 18:17:08
    Spam_Classifier
  • pet_Classifier-源码

    2021-04-01 03:06:53
    pet_Classifier
  • robust_classifier-源码

    2021-03-31 07:33:03
    robust_classifier
  • emotion_classifier emotion classifier based on kaggle fer2013 (更新:emotion_classifier_tensorflow_version中为使用tensorflow重构过的该表情识别系统) (csdn地址:...
  • product-classifier-源码

    2021-03-27 01:13:01
    product-classifier
  • Image_classifier-源码

    2021-03-25 18:41:52
    Image_classifier
  • image-classifier-源码

    2021-03-19 21:10:42
    image-classifier
  • New-Classifier-源码

    2021-03-18 15:51:36
    New-Classifier
  • Genre-Classifier-源码

    2021-03-10 04:41:47
    Genre-Classifier
  • Excel-Classifier-源码

    2021-03-08 12:57:13
    Excel-Classifier
  • Spam-Classifier-源码

    2021-03-08 01:28:54
    Spam-Classifier
  • bear_classifier-源码

    2021-03-03 17:20:42
    bear_classifier
  • plant_classifier-源码

    2021-02-20 07:53:55
    plant_classifier
  • car_classifier-源码

    2021-02-17 06:48:27
    car_classifier
  • classifier4J

    热门讨论 2013-04-07 20:30:10
    classifier4J 源代码 使用classifier可以进行文本的分类,及获取文本摘要
  • Request trove classifier

    2021-01-06 18:40:56
    <div><p>Request to add a new Trove classifier. <h2>The name of the classifier you would like to add <p>web3fsnpy <h2>Why do you want to add this classifier? <p>I deleted web3fsnpy by accident from ...
  • matlab精度检验代码article_classifier 该存储库包含新闻报纸文章分类器的代码。 运行“ python preprocess.py”,将需要8到10分钟才能完成 类名存储在“ classList.txt”中,唯一词列表存储在“ wordList.txt”中 ...
  • Nakamoto_Classifier-源码

    2021-02-14 05:33:54
    Nakamoto_Classifier 可以使用从头开始创建的深度神经网络模型对中本拉面进行分类的系统 在此系统中,您可以选择“ Alexnet”,“ VGG11”或“ simplenet”作为CNN模型。 演示 介绍 要求 枕头6.0.0 numpy的1.16.2 ...
  • Softmax classifier

    千次阅读 2017-06-26 22:45:12
    Softmax classifier原文链接 SVM是两个常见的分类器之一。另一个比较常见的是Softmax分类器,它具有不同的损失函数。如果你听说过二分类的Logistic回归分类器,那么Softmax分类器就是将其推广到多个类。不同于SVM将...

    Softmax classifier原文链接

    SVM是两个常见的分类器之一。另一个比较常见的是Softmax分类器,它具有不同的损失函数。如果你听说过二分类的Logistic回归分类器,那么Softmax分类器就是将其推广到多个类。不同于SVM将  f(xi,W)  的输出结果 (为校准,可能难以解释)作为每个分类的评判标准,Softmax分类器给出了一个稍直观的输出(归一化的类概率),并且也有一个概率解释,我们将在后面介绍。在Softmax分类器中,映射函数f(xi; W)= Wxi保持不变,但是我们现在将这些得分解释为每个类的非归一化对数概率,并用具有以下形式的交叉熵损失代替hinge loss:



    L                             i=log(efyijefj)             等价于          Li=fyi+logjefj

    我们使用符号fj来表示向量f的第j个元素的分类得分。如前所述,数据集的全部损失是所有训练样例中的Li的平均值加正则化项R(W)。
     函数  fj(z)=ezjkezk     就是损失函数:它需要一个任意实值分数(在z中)的向量 ,并将其压缩到0和1之间的值,向量和为1。 

    如果你是第一次看到它softmax函数的完整的交叉熵损失可能看起来很恐怖,但相对容易激发。 

    信息理论观。 “真实”分布p与估计分布q之间的交叉熵定义为:         
    H(p,q)=xp(x)logq(x
     
    因此,Softmax分类器将 预估的分类概率(q = efyi /Σjefj如上所述)和“真实”分布之间的交叉熵最小化,
    也就是说,所有概率项在正确类上的分布(即,p = [0,... 1,...,0]在第y位置包含单个1。此外,由于交叉熵可以用
    熵和Kullback-Leibler发散来表示为:H(p,q)=H(p)+DKL(p||q) 
    并且Δ函数p的熵为零,这也相当于使两个分布之间的KL发散最小化(距离的度量)。
    换句话说,交叉熵目标希望预测的所有块,在正确答案中均可以找到。

    概率解释。 看着这个表达式,我们看到了:
    (yixi;W)=efyijefj
     
    可以解释为给定图像xi并由参数化的W的正确标签yi的(归一化)概率。
    要看到这一点,请记住,Softmax分类器将输出向量f内的分数 解释为非归一化取对数后的概率。
    指定这些数量,给出(非归一化)概率,并且分割执行归一化,使得概率总和为1。
    在概率解释中,我们因此将负对数最小化作为正确分类的似然函数,这可以解释为执行最大似然估计(MLE)。
    这个观点的一个很好的特点是,现在我们现在也可以将全损失函数中的正则化项R(W)解释为来自
    加权矩阵W之前的高斯,其中代替MLE,我们执行最大后验(MAP) )估计。
    我们提到这些解释来帮助你的直观的了解,但这个推导的全部细节超出了本部分的范围。

    实际问题:数值稳定。在实践中,由于指数,中间项efyi和Σjefj可能非常大。
    分割大数可能在数值上不稳定,所以使用规范化技巧很重要。
    请注意,如果我们将分数的顶部和底部乘以常数C并将其变换为指数累加,
    我们得到以下(数学上等效的)表达式:


    efyijefj=CefyiCjefj=efyi+logCjefj+logC  

           
    我们可以自由选择C.这不会改变任何结果,但是我们可以使用这个值来提高计算的数值稳定性。
    C的常见选择是设置 logC=maxjfj .这里需要指出,我们应该将向量f内的值移位,使得最高值为零。
    代码如下:
    f = np.array([123, 456, 789]) # example with 3 classes and each having large scores
    p = np.exp(f) / np.sum(np.exp(f)) # Bad: Numeric problem, potential blowup
    
    # instead: first shift the values of f so that the highest number is 0:
    f -= np.max(f) # f becomes [-666, -333, 0]
    p = np.exp(f) / np.sum(np.exp(f)) # safe to do, gives the correct answer
    
    
    可能混淆命名约定。确切地说,SVM分类器使用hinge损失,有时也称为最大损耗。
    Softmax分类器从softmax函数获取其名称,该函数用于将原始分数压缩为归一化的正值,总和为1,从而可以应用交叉熵损失。
    特别要注意的是,从技术上来说,谈论“softmax损失”是没有意义的,因为softmax只是挤压功能,但它是一个比较常用的速记。


    交叉熵代价函数(cross-entropy cost function)

    下面的公式对应一个神经元,多输入单输出:


    sorry,翻译完,自己也看不懂了!能力有限。就说说自己的理解吧!
    softmax是一个分类器,计算的是某个类别的概率。是logistic regression的一种推广,logistic regression只能用于二分类,而softmax可以用于多分类。

    在用caffe做深度学习的时候,用户的最终目的可能就是得到各个类别的概率的 似然值,这时候就需要一个softmax层,而不一定要进行softmax-loss操作,
    或者用户通过其他方式已经得到了某个概率的似然值,然后要做 最大似然估计,此时只需要做softmax-loss,而不需要前面的softmax操作。

     






    展开全文
  • We study the quantum version of a decision tree classifier to fill the gap between quantum computation and machine learning. The quantum entropy impurity criterion which is used to determine which ...
  • traffic_sign_classifier

    2018-01-07 20:39:51
    traffic_sign_classifier_traffic_sign_classifier_traffic_sign_classifier_traffic_sign_classifier_traffic_sign_classifier_traffic_sign_classifier_traffic_sign_classifier_traffic_sign_classifier_traffic_...
  • Classifier wiki

    2018-06-10 09:27:07
    Organize files in your current directory, by classifying them into folders of music, pdfs, images, etc. ...$ pip install classifier Compatibility Python 2.7 / Python 3.4 Linux / O...

    Organize files in your current directory, by classifying them into folders of music, pdfs, images, etc.

    Installation

    $ pip install classifier

    Compatibility

    • Python 2.7 / Python 3.4
    • Linux / OSX / Windows

    Usage

    • Go to your directory, where you want to classify your files.
    • Run the following command in your terminal.
    $ classifier
    >> Scanning Files
    >> Done!

    Example

    Before:

    Downloads
    │   ├── project.docx
    │   ├── 21 Guns.mp3
    │   ├── Sultans of Swing.mp3
    │   ├── report.pdf
    │   ├── charts.pdf
    │   ├── VacationPic.png
    │   ├── CKEditor.zip
    │   ├── Cats.jpg
    │   └── archive.7z

    After:

    Downloads
    │   ├── Music
    │   │   ├── 21 Guns.mp3
    │   │   └── Sultans of Swing.mp3
    |   |
    │   ├── Documents
    │   │   ├── project.docx
    │   │   ├── report.pdf
    │   │   └── charts.pdf
    |   |
    │   ├── Archives
    │   │   ├── CKEditor.zip
    │   │   └── archive.7z
    |   |
    │   ├── Pictures
    │   │   ├── VacationPic.png
    │   │   └── Cats.jpg

    Options

    classifier [-dt] [-st SPECIFIC_TYPES [SPECIFIC_TYPES ...]] [-sf SPECIFIC_FOLDER] [-o OUTPUT]

    optional arguments:

    -h --help               show help message and exit
    
    -dt --date              Classify the files by their Creation Date
    -st --specific-types            Move the specific file extensions into the Specific Folder
    -sf --specific-folder           Folder to move files with Specific Type
    
    -d --directory              The directory whose files you want to classify
    -o --output             Main directory to put organized folders
    
    -v --version                    show version
    -t --types                      Show the current list of types and formats
    -et --edittypes                 Edit the list of types and formats (edit the CONFIG)
    
    -rst                    Reset the CONFIG file
    

    Example

    Classify specific file types

    classifier -st py pyc -sf "Python Files"

    Before

    Workspace
    │   ├── views.py
    │   ├── temp.pyc
    │   ├── game.java
    │   ├── index.html
    │   └── script.py

    After

    Workspace
    │   ├── Python Files
    │   │   ├── views.py
    │   │   ├── temp.pyc
    |   |   └── script.py
    |   |
    |   ├── game.java
    |   └── index.html
    

    Example

    Classify by Date:

    classifier -dt

    Example

    Classify files of directory ‘/home/source’ and put them in location ‘/home/dest’:

    classifier -d /home/source -o /home/dest

    Note: If -d (source directory) is given without -o (output) directory, this will classify the files of source directory Eg:
    classifier -d /home/source'
    This classifies the directory /home/source.

    View the CONFIG, how files will be sorted

    classifier -t

    Edit the CONFIG, to set up manual settings for classification

    classifier -et

    Reset the CONFIG file

    classifier -rst

    Useful examples

    classifier -st mobi azw3 -sf "Mobibooks"
    classifier -st ppt pptx pps -sf "PPt"
    classifier -st doc docx -sf "Doc"
    classifier -st pdf -sf "Pdf"
    classifier -st xls xlsx -sf "XLSx"
    展开全文

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 70,493
精华内容 28,197
关键字:

classifier