在之前的决策树到集成学习里我们说了决策树和集成学习的基本概念（用了adaboost昨晚集成学习的例子），其后我们分别学习了决策树分类原理和adaboost原理和实现， 上两篇我们学习了cart（决策分类树），决策分类树也是决策树的一种，也是很强大的分类器，但是cart的深度太深，我们可以指定 ...

无不介绍Adaboosting，也是因为其学习效果很好。 Adaboost首先要建立一个概念： 弱分 ...

Haar分类器使用AdaBoost算法，但是把它组织为筛选式的级联分类器，每个节点是多个树构成的分类器，且每个节点的正确识别率很高。在任一级计算中，一旦获得“不在类别中”的结论，则计算终止。只有通过分类器中所有级别，才会认为物体被检测到。这样的优点是当目标出现频率较低的时候（即人脸在图像中所占比例 ...

API说明： 利用opencv自带的数据进行人脸检测： 进阶：人眼检测 级联分类器+模板匹配提高检测的稳定性，实现眼睛的追踪： 自定义级联分类器的训练和使用：待续 命令行参数： -vec ...

引自（机器学习实战） 简单概念 Adaboost是一种弱学习算法到强学习算法，这里的弱和强学习算法，指的当然都是分类器，首先我们需要简单介绍几个概念。 1：弱学习器：在二分情况下弱分类器的错误率会低于50%。其实任意的分类器都可以做为弱分类器，比如之前介绍的KNN、决策树、Naïve ...

一个分类器的分类准确率在60%-80%，即：比随机预测略好，但准确率却不太高，我们可以称之为“弱分类器”，比如CART（classification and regression tree）。 反之，如果分类精度90%以上，则是强分类器 弱分类器在adaptive boosting ...

　　　　　　　　基于Haar特征的Adaboost级联人脸检测分类器 基于Haar特征的Adaboost级联人脸检测分类器，简称haar分类器。通过这个算法的名字，我们可以看到这个算法其实包含了几个关键点：Haar特征、Adaboost、级联。理解了这三个词对该算法基本就掌握 ...

一.K-近邻算法（k-NearstNeighbor,kNN） 　　使用某种距离计算方法进行分类。 　　思路：如果一个样本在特征空间中的k个最邻近样本中的大多数属于某一类别，则该样本也属于这个类别。该方法所选择的邻居都是已经正确分类的对象。 　　常用向量距离：欧式 马氏 信息熵。kNN中一般 ...