Python实现HOG+SVM/RF/DT行人检测：从特征提取到模型对比
本文基于Python展示传统机器学习在行人检测中的应用流程。通过skimage库提取HOG特征向量，分别训练决策树、随机森林和SVM模型。文章详细记录了数据预处理、特征提取、模型训练及性能对比（精确率、召回率、F1值）的全过程，并展示了SVM在测试中的最佳表现，旨在提供完整的机器学习检测实践参考。
2026-10-16
6
本文基于Python展示传统机器学习在行人检测中的应用流程。通过skimage库提取HOG特征向量，分别训练决策树、随机森林和SVM模型。文章详细记录了数据预处理、特征提取、模型训练及性能对比（精确率、召回率、F1值）的全过程，并展示了SVM在测试中的最佳表现，旨在提供完整的机器学习检测实践参考。
本文详细解析DenseNet模型的核心原理，对比其与ResNet在连接方式上的差异。通过Python代码复现DenseBlock和Transition Layer，讲解特征重用机制及通道数调整方法，并提供完整的网络实现与预测代码，帮助开发者深入理解并应用该模型。
本文详细解析YOLO3目标检测模型的预测流程，涵盖Darknet53特征提取、多尺度特征层解码及非极大抑制筛选。通过Python代码复现，展示如何从网络输出还原边界框坐标与类别概率，并实现可视化结果。
本文详细介绍TensorFlow中tf.get_collection函数的使用方法。该函数用于从指定collection中获取全部变量并返回列表，主要包含key和scope两个参数。文章通过具体代码示例，展示了其与tf.get_variable和tf.add_to_collection的配合使用方式，帮助开发者掌握变量集合的管理技巧。
本文详解Python中使用Keras进行神经网络模型的保存与读取。重点介绍model.save和load_model函数的用法，强调安装h5py模块的重要性，并通过手写体识别完整代码示例，展示模型训练、保存、删除后重新载入及预测的全过程。
本文详解如何在Python中使用Keras构建循环神经网络（RNN）。重点解析SimpleRNN层的batch_input_shape、time_steps等关键参数，并演示如何利用model.train_on_batch进行分批训练。结合MNIST手写数字识别案例，展示完整代码实现与准确率评估过程，帮助开发者掌握RNN基础训练流程。
本文详细演示使用Python进行学生成绩等级预测的全过程。从数据预处理、特征选取开始，分别构建单一决策树与多种集成学习模型（Bagging、Random Forest、AdaBoost、GBDT）。通过对比优化前后的模型得分，验证Bagging算法在预测精度上的优势，为教育数据挖掘提供实践参考。
本文介绍如何使用Python中的LazyProphet库结合LightGBM进行高效的时间序列预测。通过特征工程如傅里叶基函数和滞后值，该模型在M4数据集上超越了传统树模型基准，且无需复杂调参即可实现快速建模与预测，适合高频大数据场景。
本文深入解析Python中决策树算法的核心特性，详细列举其高解释性与易过拟合等优缺点，并探讨其在非线性关系处理及医疗辅助等场景的应用。通过完整代码示例展示如何构建、训练及可视化决策树模型，帮助开发者快速掌握基于决策树的分类预测技术。
本文介绍岭回归作为处理共线性数据的有偏估计方法，对比最小二乘法与过拟合现象。详解sklearn中Ridge模型的alpha、fit_intercept等关键参数，并通过Python代码实现基于小时、星期等多维特征的交通流量多项式回归预测，展示完整数据处理与可视化过程。
本文详细解析如何使用Python从零搭建一个包含三个全连接层、ReLU激活函数及Softmax损失层的神经网络，用于MNIST手写数字分类。文章涵盖模型构建、前向传播与反向传播代码实现，并针对numpy高版本导致的allow_pickle报错提供两种具体解决方案，帮助开发者顺利完成模型训练与推断。
本文详细介绍如何使用Python和逻辑回归算法对垃圾邮件数据集进行分类。内容涵盖数据预处理、训练集与测试集划分、模型构建及参数调优。通过对比l1、l2、elasticnet和none等不同惩罚项对模型性能的影响，并计算分类准确率及错误样本，帮助读者掌握逻辑回归在文本分类中的实际应用。
