【文件属性】:
文件名称:em算法代码matlab实现-BasicMLAlgs:基础机器学习算法实现,以李航博士的《统计学习方法》为蓝本
文件大小:57.89MB
文件格式:ZIP
更新时间:2021-05-25 08:02:58
系统开源
em算法代码matlab实现
BasicMLAlgs
基础机器学习算法实现,以李航博士的《统计学习方法》为蓝本。
其他基础机器学习算法
《拓展》--1 主成分分析
MNIST_subset
MATLAB代码:
李航博士《统计学习方法》相关算法
《统计学习方法》第二章
感知器模型
例2.1
MATLAB代码:
MNIST_subset
MATLAB代码:
《统计学习方法》第三章
K近邻法
MNIST_subset
MATLAB代码:
《统计学习方法》第四章
朴素贝叶斯
MNIST
MATLAB代码:
《统计学习方法》第五章
决策树
例5.2
MATLAB代码:
例5.3
MATLAB代码:
MNIST
MATLAB代码:
《统计学习方法》第六章
逻辑斯特回归
MNIST_subset
MATLAB代码:
《统计学习方法》第六章
最大熵模型
MNIST_subset
MATLAB代码:
《统计学习方法》第七章
支持向量机
例8.2
MATLAB代码:
《统计学习方法》第八章
提升方法
例8.1
MATLAB代码:
例8.2
MATLAB代码:
《统计学习方法》第九章
最大期望EM及GMM
【文件预览】:
BasicMLAlgs-master
----perceptron_matlab()
--------perceptron_mnist.m(1014B)
--------ssign.m(82B)
--------perceptron.m(711B)
--------ssign1.m(89B)
--------rrand.m(100B)
----.gitignore(270B)
----knn_matlab()
--------kMin.m(350B)
--------knn.m(1KB)
--------consData.m(2KB)
----README.md(3KB)
----maxEntropy_matlab()
--------epf.m(78B)
--------maxEntropy.m(488B)
--------pw.m(47B)
--------f2.m(78B)
--------f1.m(81B)
----logisticRegression_matlab()
--------logisticRegression.asv(1KB)
--------lossGrd.m(73B)
--------ssign.m(80B)
--------logisticRegression.m(1KB)
--------w.mat(3KB)
--------rrand.m(100B)
----naiveBayes_matlab()
--------naiveBayes.m(2KB)
--------readme.md(0B)
----EM-GMM_matlab()
--------EM_GMM1.m(492B)
--------trainImage.mat(449B)
--------EM_GMM.m(526B)
--------EM_GMM2.m(472B)
--------GMM.m(1KB)
--------gmm_.m(4KB)
----note()
--------07SVM.docx(2.33MB)
--------09EM笔记.docx(1.7MB)
--------05决策树.docx(67KB)
--------00Summary.docx(1.7MB)
--------03KNN算法.docx(37KB)
--------01统计机器学习方法概论.docx(88KB)
--------08adaboost.docx(16KB)
--------04朴素贝叶斯方法.docx(131KB)
--------10HMM.docx(67KB)
--------06最大熵.docx(1.74MB)
--------02感知器.docx(513KB)
--------11CRF.docx(67KB)
--------06logistic回归.docx(433KB)
----commonFuns_matlab()
--------readme.md(0B)
--------showImage.m(422B)
--------rrand.m(100B)
--------consData.m(460B)
----AdaBoost_matlab()
--------AdaBoost_8_1.m(677B)
--------AdaBoost_8_2.m(664B)
--------optimalT.m(251B)
--------errortest.m(112B)
--------optimalT2.m(251B)
--------separateRegion.m(233B)
----data()
--------mnist_subset()
--------mnist()
----decisionTree_matlab()
--------constructTree.m(581B)
--------test.txt(1KB)
--------test.m(1KB)
--------decisionTree.m(3KB)
--------computeInfoGain.m(1KB)
--------pruningTree.m(1KB)
--------featureSelection.m(377B)
--------binery2decimal.m(139B)
--------decisionTree_exp5_3.m(2KB)
--------decisionTree_exp5_2.m(455B)