压缩包含一个完整的Qt控制台工程，注释纤细，调试运行通过，也可以直接移植到win32上。（工程中有两个主程序，main.cpp中样本数据格式为opencv的Mat矩阵。main1.c中样本为float型的二维数组。编译的时候把不同的主程序添加进工程即可。main1.cpp可以不要opencv的库。）

超参数调整 使用分类器算法使用GridSearchCV进行超参数调整

svm支持向量机python代码

本文在MATLAB平台上对最小错误率贝叶斯决策和最小风险贝叶斯决策进行测试，比较和分析了实验结果。

假新闻 ，分类为假新闻和真实新闻。 :handshake: 小组项目 :school: :label: “如果你讲的谎言足够大并且不断重复，人们最终会相信它。只有在国家可以保护人民免受谎言的政治，经济和/或军事后果的情况下，才可以维持这种谎言。因此，对于国家来说，运用其一切力量来压制异议至关重要，因为真理是谎言的致命敌人，因此，从广义上讲，真理就是国家的最大敌人。” （ 使命 :anchor: 报告书 :books: 提议 :bookmark_tabs: 中期报告 :bookmark_tabs: 跑步 :male_sign:‍:male_sign: :female_sign:‍:female_sign: 高度 :TOP_arrow: 建议在类似Unix的系统（Linux，macOS等）上运行该应用程序。 ！ 安装依赖项时，使用Windows可能会导致一些问题。 :crying_face: 0.克隆存储库 :down_arrow: git clone https://github.com/vicw0ng-hk/fake-real-news.git 或者，通过SSH克

本文提出了一种基于稀疏编码和分类器集成的多实例学习框架下的图像分类方法。 具体而言，从所有训练包的实例中学习字典。 包的每个实例都表示为字典中所有基本向量的稀疏线性组合，然后，包也表示为一个特征向量，该特征向量是通过包内所有实例的稀疏表示来实现的。 因此，MIL问题被转换为可以通过众所周知的单实例学习方法（如支持向量机（SVM））解决的单实例学习问题。 有两种提高分类性能的策略：第一，通过使用不同大小的字典重复使用上述方法来获得组件分类器。 其次，将分类器集合的结果用于预测。 与最新的MIL方法相比，COREL数据集上的实验结果证明了该方法在分类准确性方面的优越性。

通过使用模糊认知图来模拟分类过程，构造了一种模糊认知图分类器，提出了它的两种模糊认知图分类模型，并在此基础上给出了使用它进行分类的推理机制。实验证明，该方法具有良好的分类性能。

手语是听力障碍人士交流的媒介。 它使用手势而不是声音来传达意义。 它结合了手的形状、手、手臂或身体的方向和运动、面部表情和唇形来传达信息。 不同类型的项目是针对聋哑人、听力障碍的人进行的。 提出了一种用于手语识别的具有计算机人机界面的系统。 但是该项目存在全国范围内的差异。 该项目的主要思想是设计一个系统，用于在任何公共场所与外界进行交流，从而无需在公共场所进行口译。 在那个项目中，我们需要以数字符号的印度手语为数据库形式的孤立图像。 普通相机可用于获取此数字符号。 主成分分析 (PCA) 用于预处理，其中删除冗余和不需要的数据。

从数学角度来说，分类问题可做如下定义：       已知集合： 和 ，确定映射规则 ，使得任意 有且仅有一个 使得 成立。（不考虑模糊数学里的模糊集情况）       其中C叫做类别集合，其中每一个元素是一个类别，而I叫做项集合，其中每一个元素是一个待分类项，f叫做分类器。分类算法的任务就是构造分类器f。 这个定理解决了现实生活里经常遇到的问题：已知某条件概率，如何得到两个事件交换后的概率，也就是在已知P(A|B)的情况下如何求得P(B|A)。 条件概率： 表示事件B已经发生的前提下，事件A发生的概率，叫做事件B发生下事件A的条件概率。其基本求解公式为： 对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。通俗来说，就好比这么个道理，你在街上看到一个黑人，

基于最小错误概率的贝叶斯分类器