文件名称：Python-Machine-Learning-Models:准系统的机器学习模型的Python实现，无需使用机器学习库
文件大小：18.83MB
文件格式：ZIP
更新时间：2024-06-01 15:37:12
python machine-learning neural-network clustering generative-adversarial-network
Python机器学习模型 一些最常用的机器学习算法的简单Python实现。 与常见python软件包中发现的模型的黑匣子性质不同，研究和实现这些模型将有助于理解它们的工作原理。 “最佳”模型（经过充分测试的模型）： 甘 聚类/ K均值和GMM 成果管理制 开发中 一个简单的前馈神经网络损失计算不完整 一个简单的卷积神经网络 支持向量机 支持向量回归 PCA LDA 聚氯乙烯 决策树 分类钉书针。 树对象本身可以在tree.py中找到，但是所有训练和树创建都可以在DecisionTree.py中的Decision_tree_learning中进行。 此函数使用ID3算法来递归地构建树。 该树采用二进制目标矢量，因此对于可以对数据进行多值处理的用例，在DecisionTree.py中创建了一个允许进行一次v余分类的函数。 去做 创建一个随机森林分类器 聚类 当前有两种聚类算法-K均值
【文件预览】：
Python-Machine-Learning-Models-master
----HMM()
--------hmm.py(11KB)
----NeuralNetworks()
--------layer_functions.py(840B)
--------feedforward_network.py(6KB)
----DecisionTree()
--------tree.py(315B)
--------load_data_mat.py(1KB)
--------decisionTree.py(8KB)
----Regression()
--------bayesian_regression.py(3KB)
--------br_object.py(3KB)
--------MAP.py(4KB)
----RBM()
--------utils.py(734B)
--------run_rbm.py(150B)
--------rbm.py(3KB)
----GaussianProcess()
--------distributedGP.py(4KB)
--------gp.py(6KB)
--------matern.py(2KB)
--------rbf.py(2KB)
--------bayesian_optimisation.py(6KB)
--------test_gp.py(1KB)
----mnist_data()
--------train-images.idx3-ubyte(44.86MB)
--------train-labels.idx1-ubyte(59KB)
----requirements.txt(45B)
----.gitignore(41B)
----GAN()
--------gan.py(4KB)
--------utilities.py(3KB)
--------images()
--------README_gan.md(815B)
--------layer_functions.py(840B)
--------mnist_data()
--------run_gan.py(1KB)
--------ann.py(6KB)
----README.md(3KB)
----Clustering()
--------GMM.py(3KB)
--------test_GMM.py(546B)
--------README_clustering.md(413B)
--------kmeans.py(2KB)