神奇的gamma函数(上) 神奇的gamma函数(下) gamma函数的定义及重要性质 \[\Gamma(x)=\int_0^{\infty}t^{x-1}e^{-t}dt\] \[\Gamma(x+1) = x \Gamma(x)\] \[\Gamma(n) = (n-1)! \] \[\Gamma(0) = 1\] \[\Gamma({1\over 2}) = 2\int_0^{+\infty}e^{-u^2}du = \sqrt\pi\] gamma函数的图像 在matlib中,我们可以方

conda  install seaborn  是安装到jupyter那个环境的 1. 整体风格设置 对图表整体颜色.比例等进行风格设置,包括颜色色板等调用系统风格进行数据可视化 set() / set_style() / axes_style() / despine() / set_context() import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns % ma

(原创文章,转载请注明地址:http://www.cnblogs.com/wangkundentisy/p/6539058.html ) 1.t分布式统计分布的一种,同卡方分布(χ2分布).F分布并称为三大分布. 2. t分布又叫student-t分布,常常用于根据小样本来估计呈正态分布且方差值为知的样本的均值.(如果总体的方差已知的话,则应该用正态分布来估计总体的均值.)(所以一个前提是:t分布的样本的总体必须符合正态分布) 3.t分布一般用于小样本(样本量比较小)的情形. 4.假设X服从标准

Seaborn(二)之数据集分布可视化 当处理一个数据集的时候,我们经常会想要先看看特征变量是如何分布的.这会让我们对数据特征有个很好的初始认识,同时也会影响后续数据分析以及特征工程的方法.本篇将会介绍如何使用 seaborn 的一些工具来检测单变量和双变量分布情况. %matplotlib inline import numpy as np import pandas as pd from scipy import stats, integrate import matplotlib.pypl

void warp_perspect_3_angle(cv::Mat face, float roll, float yaw, float pitch) { cv::Mat face_img = face.clone(); int imgHeight = face_img.rows; int imgWidth = face_img.cols; float alpha, beta, gamma; alpha = pitch * 3.1415926 / 180; beta = yaw* 3.1415

# T分布 # 1.T分布是统计分布的一种,同卡方分布(X2分布),F分布并称为三大分布 2.T分布又叫student-t分布,常用于根据小样本来估计呈正太分布且方差值未知的样本的均值(如果总体的方差已知的话,则应该用正态分布来估计总体的均值)(所以一个前提条件是:T分布的样本的总体必须符合正态分布) 3.T分布一般用于小样本的情形. 4.假设X服从标准正态分布即X~N(0,1),Y服从自由度n的卡方分布即Y~χ2(n),且X和Y是相互独立的,那么Z = X/sqrt(Y/n)的分布成为自由的为

样本数据集在构建机器学习模型的过程中具有重要的作用,样本数据集包括训练集.验证集.测试集,其中训练集和验证集的作用是对学习模型进行参数择优,测试集是测试该模型的泛化能力. 正负样本数据集符合独立同分布是构建机器学习模型的前提,从概率角度分析,样本数据独立同分布是正负样本数据是从某一特定的数据分布随机抽取得到的,且正负样本的分布是不一样的.举例来说,若我们用非洲的西瓜作为训练集,然后用中国的西瓜作为测试集,则数据集可能不满足同分布这一前提:抛硬币是最简单的独立同分布:用较专业的学术用语来举例,若训

1. 建模 对原始信号 X 进行观测,观测可以抽象为(离散:PY|X(y|x), 连续:fY|X(y|x)),物理世界噪声的存在,将导致观测到的 X 出现一定的噪声,记为 Y: X⇒fY|X(y|x)⇒Y 对于推断(inference)问题而言,我们更多的是考虑如何从 Y 获取原始的无噪信号 X: Y⇒fX|Y(y|x)⇒X 注意,原始信号 X 离散的,并不意味着其观测值也是离散的: {X=0,1Y=X+W 而 W 是高斯噪声.这种由离散信号因为高斯噪声(连续概率分布)的存在而最终得到连续的观察

前言 本文汇集CA.SO.GO.OS.杂波图等恒虚警算法的门限因子求解方法及其函数 1,CA-CFAR [非常简单,可以直接求解] %% 均值恒虚警_门限因子计算公式 %% 版本:v1 %% 时间:2019.11.08 %% 终版[不在优化] function [ alpha ] = form_ALPHA_ca( PFA,N ) %FORM_ALPHA_CA 此处显示有关此函数的摘要 % PFA:虚警概率 % N:参考单元个数 alpha=N.*(PFA.^(-1./N)-1); end 2,S

系统自带的数据表格(存放在github上https://github.com/mwaskom/seaborn-data),使用时通过sns.load_dataset('表名称')即可,结果为一个DataFrame. print(sns.get_dataset_names()) #获取所有数据表名称 # ['anscombe', 'attention', 'brain_networks', 'car_crashes', 'diamonds', 'dots', 'exercise', 'flight

本文主要译自:MCMC:The Metropolis-Hastings Sampler 上一篇文章中,我们讨论了Metropolis 采样算法是如何利用马尔可夫链从一个复杂的,或未归一化的目标概率分布进行采样的.Metropolis 算法首先在马尔可夫链中基于上一个个状态 \(x^{(t-1)}\) 推荐一个新的状态 \(x^*\),这个新状态是根部建议分布 \(q(x^*|x^{(t-1)})\) 进行采样得到的.算法基于目标分布函数在 \(x^*\) 上的取值接受或者拒绝 \(x^*\).

2 Latent Dirichlet Allocation Introduction LDA是给文本建模的一种方法,它属于生成模型.生成模型是指该模型可以随机生成可观测的数据,LDA可以随机生成一篇由N个主题组成文章.通过对文本的建模,我们可以对文本进行主题分类,判断相似度等.在90年代提出的LSA中,通过对向量空间进行降维,获得文本的潜在语义空间.在LDA中则是通过将文本映射到主题空间,即认为一个文章有若干主题随机组成,从而获得文本间的关系.LDA模型有一个前提:bag of word.意思就

matplotlib绘图总结   本文作为学习过程中对matplotlib一些常用知识点的整理,方便查找. 类MATLAB API 最简单的入门是从类 MATLAB API 开始,它被设计成兼容 MATLAB 绘图函数. from pylab import * from numpy import * x = linspace(0, 5, 10) y = x ** 2 figure() plot(x, y, 'r') xlabel('x') ylabel('y') title('title') 创

本文作为学习过程中对matplotlib一些常用知识点的整理,方便查找. 类MATLAB API 最简单的入门是从类 MATLAB API 开始,它被设计成兼容 MATLAB 绘图函数. from pylab import * from numpy import * x = linspace(0, 5, 10) y = x ** 2 figure() plot(x, y, 'r') xlabel('x') ylabel('y') title('title') 创建子图,选择绘图用的颜色与描点符号

上一节中,我们介绍了Harris角点检测.角点在图像旋转的情况下也可以检测到,但是如果减小(或者增加)图像的大小,可能会丢失图像的某些部分,甚至导致检测到的角点发生改变.这样的损失现象需要一种与图像比例无关的角点检测方法来解决.尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)可以解决这个问题.我们使用一个变换来进行特征变换,并且该变换会对不同的图像尺度输出相同的结果. 到底什么是SIFT算法?通俗一点说,SIFT算法利用DoG(差分高斯)来提取关键

(2017-02-04 银河统计) 统计函数API概念   API(Application Programming Interface,应用程序编程接口)是一些预先定义的函数,目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力,而又无需访问源码,或理解内部工作机制的细节.   统计函数API是通过前台web网页传入数据和参数,服务器接收数据和参数后,经过统计计算返回结果的一种新型接口形式.   通常前台web网页很难处理复杂数学或统计问题,通过Web Service技术将数据和参

本文作为学习过程中对matplotlib一些常用知识点的整理,方便查找. 类MATLAB API 最简单的入门是从类 MATLAB API 开始,它被设计成兼容 MATLAB 绘图函数. from pylab import * from numpy import * x = linspace(0, 5, 10) y = x ** 2 figure() plot(x, y, 'r') xlabel('x') ylabel('y') title('title') 创建子图,选择绘图用的颜色与描点符号

1.前言 SVM(Support Vector Machine)是一种寻求最大分类间隔的机器学习方法,广泛应用于各个领域,许多人把SVM当做首选方法,它也被称之为最优分类器,这是为什么呢?这篇文章将系统介绍SVM的原理.推导过程及代码实践. 2.初识SVM 首先我们先来看看SVM做的是什么样的事,我们先看下面一张图 图中有三个分类实例,都将数据正确分类,我们直观上看,会觉得图中第三个效果会比较好,这是为什么呢?个人觉得人的直观感受更偏向于数据均匀对称的结构.当然,这只是直观感受,我们从专业的角度

一些问题: 1. 什么时候我的问题可以用GLM,什么时候我的问题不能用GLM? 2. GLM到底能给我们带来什么好处? 3. 如何评价GLM模型的好坏? 广义线性回归啊,虐了我快几个月了,还是没有彻底搞懂,看paper看代码的时候总是一脸懵逼. 大部分分布都能看作是指数族分布,广义差不多是这个意思,我们常见的线性回归和logistic回归都是广义线性回归的特例,可以由它推到出来. 参考:线性回归.logistic回归.广义线性模型——斯坦福CS229机器学习个人总结(一) 对着上面的教程,手写了

SAS常用函数 一.数学函数  ABS(x) 求x的绝对值. MAX(x1,x2,…,xn) 求所有自变量中的最大一个. MIN(x1,x2,…,xn) 求所有自变量中的最小一个. MOD(x,y) 求x除以y的余数. SQRT(x) 求x的平方根. ROUND(x,eps) 求x按照eps指定的精度四舍五入后的结果,比如ROUND(5654.5654,0.01) 结果为5654.57,ROUND(5654.5654,10)结果为5650. CEIL(x) 求大于等于x的最小整数.当x为整数时就

本文作为学习过程中对matplotlib一些常用知识点的整理,方便查找. 类MATLAB API 最简单的入门是从类 MATLAB API 开始,它被设计成兼容 MATLAB 绘图函数. from pylab import * from numpy import * x = linspace(0, 5, 10) y = x ** 2 figure() plot(x, y, 'r') xlabel('x') ylabel('y') title('title') 创建子图,选择绘图用的颜色与描点符号