深度随机森林算法,算法 森林

　　1.VGG为什么要用3*3卷积？

　　VGG16相对于AlexNet的一个改进是使用了几个连续的33卷积核，而不是AlexNet中的大卷积核(1111，77，55)。目的是在1 VGG中使用33卷积核代替77卷积核，并使用两个33卷积核代替55卷积核。目的训练约简参数2积累的小卷积核优于大卷积核。因为多层非线性层可以增加网络的深度，确保学习更复杂的模式。2.SVM什么时候用线性仁，是否用无情葵花籽仁？

　　通常用于二元分类模型的SVM支持线性可分和非线性划分。SVM使用的核函数包括线性核线性，多项式核pkf和无情向日葵核rbf。当训练数据为线性可分时，一般采用线性核函数实现直接分割；如果训练数据不是分时的，就需要使用内核技术将训练数据映射到另一个高维空间，这样就可以在高维空间中对数据进行线性分段。然而，应当注意，当样本N和特征M大并且特征mn大时，需要使用线性核函数。在这种情况下，考虑无情葵花核函数的映射，由于空间维度更高，更复杂，更容易过拟合，因此，使用无情葵花核函数的缺点更大。一般选取的样本N越大，特征M越小，不仅可以在高维空间对原始训练数据进行线性分割，而且计算消耗也不大。所以利大于弊，适合用无情葵花核函数。当样本n较大，特征m较小时，也难以避免计算复杂的问题，因此需要考虑更多的线性核。2.2多态性)子类继承父类，描述父类方法。在java中，子类中的对象被赋予对父类的引用。)

　　3.import _ _ init _的作用。巴拉圭

　　Python聊天：__init_的作用。py:www.cnblogs.com Python的__init__的用法和个人理解。py www.cnblogs.com 1。将此目录标识为PPy，并更改__init__。py to _ _ all _=[subpackage _ 1 ， subpackage _ 2 ]Abstract 360 _ _ init

　　没有具体参数类型的# py的编写类似于多态，所以函数不需要指定具体的对象类型，增加了灵活性。4.平均算法的步骤和缺点与DBSCAN算法不同

　　3559 www.cn blogs.com/huge传祺/p/10509307 . html www.cn blogs.com K-means优点：1。原理简单，实现方便，收敛速度快，聚类效果好；2.算法均值的缺点：1。k值选择不成功；2.对噪音和异常点敏感；3.使用迭代法，可以得到局部最优结果，但对于非凸数据集很难收敛；5.

　　图像处理：Canny边缘检测算法原理(1) _YBAdiam的博客-CSDN blog . csdn . net 6 . dlib(hog SVM)hog特征提取步骤

　　HOG特征提取原理_丰富丸子博客-blog.csdn.net CSDN博客HOG特征提取算法实现过程：HOG特征提取方法是一种图像(检测目标或扫描窗口)(1)灰度)2)输入图像颜色空间标准化(归一化)基于伽马校正；目的是调整图像的对比度，减少图像中局部阴影和光照变化的影响，抑制噪声的干扰。3)图像每个像素的梯度(包括大小和方向)；主要是为了捕捉轮廓信息，进一步削弱光线的干扰。4)将图像划分成小单元(例如6*6像素/单元)；5)通过对每个单元的梯度直方图(不同梯度的数量)求和，可以形成每个单元的描述符；6)几个单元各自形成一个块(例如3*3个单元/块)，一个块的HOG特征描述符可以通过连接一个块中所有单元的特征描述符得到。7)在连接图像中所有块的HOG特征描述符之后，可以获得图像(检测目标)的HOG特征描述符。这是可用于最终分类的特征向量。(3)目标图像特征的哈尔特征提取_专栏_ liulina 603-blog.csdn.net CSDN博客哈尔特征：哈尔特征分为三类：边缘特征、直线特征、中心特征和对角线特征。特征模板中有两个矩形：白色和黑色，它们的特征值定义为白色矩形像素和黑色矩形像素之和。核心思想是通过差异提取特征。

　　隔离森林

　　异常检测算法介绍_ CSDN博客

　　blog.csdn.net的孤立森林属于无监督方法，即不需要标记训练：异常检测方法。iForest适用于连续数据的异常检测，将异常定义为容易隔离的异常值。具体来说，确定一个维度的特征，在最大值和最小值之间随机选取一个值x，然后按照小于x和大于等于x将数据分为左右两组，然后按照某个特征维度的值随机细分数据，重复上述步骤，直到不能再细分，直到数据不能再细分。直观上，异常数据可以用较少的分割单独分割，而正常数据正好相反。Sklearn。合奏。IsolationForestContent: auto默认情况下，数据集中异常样本的比例优点：准确率高缺点：iForest不适合特别高维的数据。

　　一级SVM

　　Python机器学习笔记：一类www.cnblogs.com SVM一类SVM是一种新颖的检测方法：它的训练集不应该掺杂离群值，因为模型可能会匹配这些离群值。但是，在数据维数较高或者对相关数据的分布没有假设的情况下，OneClassSVM也可以作为一种很好的离群点检测方法。新颖性检测：当训练数据中没有离群点时，我们的目标是使用训练好的模型检测另一个新发现样本的离群点检测。当训练数据包含异常值时，模型应该在训练期间匹配训练数据的中心样本。忽略训练样本中其他离群点的算法的思路很简单，就是找一个超平面把样本中的正例圈起来，利用这个超平面做决策，这样就可以大概的做预测了。因为核函数的计算比较耗时，所以sklearn的类不多。SVM。OneClassSVM(内核= RBF ，度数=3，)RBF:无情葵花核函数。

　　射频与GBDT的区别与联系

　　相似之处：1)都是由多棵树组成；2)最终结果由多棵树决定；1)组成随机森林的树可以是分类树，也可以是回归树，而GBDT只是由回归树组成；2)组成随机森林的树木可以并联套袋，GBDT只能串联升压；3)随机森林的结果是多数投票，而GBDT是多棵树的加权累加之和。4)随机森林对异常值不敏感，而GBDT对异常值敏感。5)随机森林降低了模型的方差(高方差/过拟合)，而GBDT降低了模型的偏差(高偏差/欠拟合)。6)随机森林不需要特征归一化，但GBDT需要。谈谈你对重写和重载的理解。

　　你讲重写，重载理解函数重载：必须在同一个类中进行。如果同名的方法有不同的参数列表(参数类型不同，参数个数不同，甚至参数顺序不同)，就会被视为重载。返回值可以相同，也可以不同。函数重写：它必须发生在父类和子类之间(继承)。当子类用相同的方法名、参数列表和返回类型修改或重写方法体时，这就是重写能产生多态性的设计模式的基本原理(如果不使用虚的，就叫重定义)

　　设计模式的基本原则：终极目标：高内聚低耦合。1)OCP(Open for Extension，Closed for Modification Principle)类的更改是通过添加代码而不是修改源代码来实现的。3)依赖反转原理(DIP)依赖于抽象(接口)，而不是依赖于具体的实现(类)，也就是为接口编程。7) LOD，Demeter定律)一个对象对其他对象的了解应该尽可能少，以减少对象之间的耦合，提高系统的可维护性。设计模式的核心是多态性的应用：C多态性有三个条件：1。继承，2。虚拟重写，3。父类指针(父类引用)指向子类Animal * animal=new Cat用c python单例模式实现

　　/* * singleton模式的定义是保证一个类且只有一个实例的存在，提供一个可以访问实例的全局访问方法类。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。