关于线性判别分类器的SVM的ppt,对想了解svm的人有一定的帮助。看完后会对SVM有充分的了解

Entropy_triangle 是一个函数，它实现了两个工具，通过对混淆矩阵或列联表的熵度量来分析多类或多类分类器的行为。 首先，我们获得了一个熵的平衡方程，它捕捉了分类器的有趣属性。 其次，通过对这个平衡方程进行归一化，我们首先在三维熵空间中得到一个 2-单纯形，然后得到 de Finetti 熵图或熵三角形。 完整说明可在以下位置找到： Valverde-Albacete, F. 和 Peláez-Moreno, C. 评估多类分类器性能的两种信息理论工具。 模式识别快报 (2010) vol. 31 (12) 页。 1665-1671 在 2.0 版本中，熵三角形添加了一个颜色条来绘制另一个变量，例如准确度，针对互信息，熵减信息的变化。 我们还添加了一个脚本 (compareETs) 来可视化您自己的 ET，并以乳胶就绪格式打印 NIT 和 EMA 与其他度量。 归一化信

对于numeric类型的数据，基本贝叶斯分类算法并不能直接应用。对于需要分类的数据，首先按照信息熵进行离散化后。之后对于处理过后的数据，使用基本贝叶斯分类算法进行训练和分类。

OpenCV，人脸识别，五官识别，分类器。 本文件包含各种.xml分类器文件

opencv中的担任检测功能的haar级联分类器，OpenCV-python预训练的模型，haarcascade_frontalface_default.xml；github上下载实在太慢了

最小最大损失准则的基本思想： 实际中，类先验概率 P(i) 往往不能精确知道或在分析过程中是变动的，从而导致判决域不是最佳的。所以应考虑如何解决在 P(i) 不确知或变动的情况下使平均损失变大的问题。 应该立足最差的情况争取最好的结果。 * *

最近邻分类器(NN) 假设i.i.d.样本集 对于样本 ，NN采用如下的决策： 相当于采用 近邻方法估计后验概率，然后采用最大后验概率决策。 分类一个样本的计算复杂度： （采用欧氏距离）

机器学习数学模型：贝叶斯信念网，贝叶斯朴素分类器 里面包含上课时的PPT，PDF文档

这是模式分类中的课程代码，其中包含所有的模式分类算法的实现实验，程序时用matlab写的，代码质量较高，对学习模式分类 模式识别、机器学习的同学有很重要的参考价值，本程序实现的算法为：贝叶斯估计 编程实现一个可以对两类模式样本进行分类的贝叶斯分类器，假设两个模式类的分布均为高 斯分布。模式类1 的均值矢量m1 = (1, 3)t，协方差矩阵为S1 =(1.5, 0; 0, 1)，模式类2 的 均值矢量m2 = (3,1)t，协方差矩阵为S2 =(1, 0.5; 0.5, 2)，先验概率 P1 = P2 = 1/2。 (a) 利用proj01-01 中的函数为每个模式类各生成50 个随机样本，并在一幅图中画出这些样本 的二维散点图； (b) 仅用模式集合的第1 个特征分量作为分类特征，对(a)中的100 个样本进行分类，统计正确 分类的百分比，并在2 维图上用不同的颜色画出正确分类和错分的样本； (c) 仅用模式的第2 个特征分量作为分类特征，对(a)中的100 个样本进行分类，统计正确分类 的百分比，并在2 维图上用不同的颜色画出正确分类和错分的样本； (d) 同时用模式的2 个分量作为分类特征，对(a)中的100 个样本进行分类，统计正确分类的百 分比，并在2 维图上用不同的颜色画出正确分类和错分的样本； (e) 对上述实验结果进行分析说明。

仿真matlab程序代码