来源于 OpenCV 的官方文档，内容全面，对各种的算法的描述简单易懂，而且不拘泥于长篇大论的数学推导，非常适合想使用OpenCV 解决实际问题的人。

python实现

模式识别和机器学习实战- 集成学习- Python实现 - AdaBoost算法 适用于刚刚开始学习机器学习的小伙伴进行的上机实践，本次压缩包的内容是集成学习的AdaBoost算法的代码以及数据集。

计算机图形学作业 单个py文件

保证能跑

主要介绍了python如何实现人工蜂群算法，帮助大家更好的利用python进行数据分析，感兴趣的朋友可以了解下

本文实例为大家分享了Python实现简单层次聚类算法，以及可视化，供大家参考，具体内容如下 基本的算法思路就是：把当前组间距离最小的两组合并成一组。 算法的差异在算法如何确定组件的距离，一般有最大距离，最小距离，平均距离，马氏距离等等。 代码如下： import numpy as np import data_helper np.random.seed(1) def get_raw_data(n): _data=np.random.rand(n,2) #生成数据的格式是n个（x,y） _groups={idx:[[x,y]] for idx,(x,y) in enumerate(_da

前言 今天这篇文章主要记录一下如何切分验证码，用到的主要库就是Pillow和Linux下的图像处理工具GIMP。首先假设一个固定位置和宽度、无粘连、无干扰的例子学习一下如何使用Pillow来切割图片。 使用GIMP打开图片后，按 加号 放大图片，然后点击View->Show Grid来显示网格线： 其中，每个正方形边长为10像素，所以数字1切割坐标为左20、上20、右40、下70。以此类推可以知道剩下3个数字的切割位置。 代码如下： from PIL import Image p = Image.open(1.png) # 注意位置顺序为左、上、右、下 cuts = [(20,20

在上一篇博文Python数据分析（8）—-用python实现数据分层抽样中，实现了实验数据的抽取，那么在本文中，将用上述抽取到的数据进行实验，也就是用决策树进行分类。 在讲解实际的决策树分类之前，需要介绍一下决策树分类的sklearn中决策树模型参数释义： ''' scikit-learn中有两类决策树，它们均采用优化的CART决策树算法。 （1）回归决策树：DecisionTreeRegressor() （2）分类决策树：DecisionTreeClassifier() ''' from sklearn.tree import DecisionTreeRegressor ''' 回归决策树

1.算法：（设查找的数组期间为array[low, high]） （1）确定该期间的中间位置K（2）将查找的值T与array[k]比较。若相等，查找成功返回此位置；否则确定新的查找区域，继续二分查找。区域确定如下：a.array[k]>T 由数组的有序性可知array[k,k+1,……,high]>T;故新的区间为array[low,……，K-1]b.array[k]<T 类似上面查找区间为array[k+1,……，high]。每一次查找与中间值比较，可以确定是否查找成功，不成功当前查找区间缩小一半。递归找，即可。 2.python代码： 复制代码 代码如下:#!/usr/bin/python