机器学习 这些是我用一些数据集实现的一些流行的机器学习算法。 其中包括线性回归（多变量）的实现，逻辑和线性回归的梯度下降，决策树，随机森林，朴素贝叶斯。 它们都是用python 3.5编写的。

基于梯度下降法的线性回归模型预测房价，进行多元线性回归，其中包括一套关于房价预测的数据和基于numpy和pandas基础库的源代码

问答网站问题、回答数量预测中的数据集

8.3.2梯度图像二值化 如果用适中的阈值对一幅梯度图像进行二值化，Kirsch的分割法利用了这种现象。 算法步骤 用一个中偏低的灰度阈值对梯度图像进行二值化从而检测出物体和背景，物体与背景被处于阈值之上的边界点带分开。随着阈值逐渐提高，就引起物体和背景的同时增长。当它们接触上而又不至于合并时，可用接触点来定义边界。这是分水岭算法在梯度图像中的应用。

最小二乘法是先将方程自变量与因变量化为系数矩阵X，再求该矩阵的转置矩阵（X1），接着求矩阵X与他的转置矩阵的X1的乘积（X2），然后求X2的逆矩阵。最后整合为系数矩阵W，求解后分别对应截距b、a1、和a2。可见计算一个矩阵的逆是相当耗费时间且复杂的,而且求逆也会存在数值不稳定的情况。 梯度下降法迭代的次数可能会比较多,但是相对来说计算量并不是很大。且其有收敛性保证。故在大数据量的时候,使用梯度下降法比较好。 梯度下降法 import numpy as np from matplotlib import pyplot as plt from mpl_toolkits.mplot3d import

用梯度法实现的求解线性方程组程序。 程序较为清晰，可以调用求解一般的线性方程组。

主要是用于本人文章所支撑的代码

计算图像梯度：高斯函数的一阶导数 高斯函数的一阶导数(Derivative of Gaussian) 可以很近似地满足以下三条边缘检测最优准则： 好的边缘检测性能：Good detection 对边缘的响应大于对噪声的响应 好的定位性能：Good localization 其最大值应接近边缘的实际位置 低的错误检测率：Low false positives 在边缘附近只有一个极大值点

利用MATLAB实现了基于最陡下降梯度算法跟踪运动目标的算法，通过分时的方法跟踪目标的方位角和俯仰角

在高维插值中，我们面临“维数灾难”：当我们增加维数时，样本数呈指数增长。 减少这种影响的一种方法是使用稀疏网格。 当梯度信息可用时，例如来自伴随求解器，梯度增强稀疏网格提供了进一步减少样本数量的可能性。