文件名称：machine-learning-in-action:用Python实现常见机器学习方法的基本原理
文件大小：2.07MB
文件格式：ZIP
更新时间：2024-05-31 18:49:39
JupyterNotebook
机器学习常用模型 关联性分析 Apriori算法 关联分析中最基本的算法（然而已被淘汰），发现数据集中各个数据项的关联程度。 FP-growth算法 frequent pattern算法，同样是查找频繁项集，但是比Apriori更快。 分类 朴素贝叶斯分类器 朴素贝叶斯分类器的基本假设是：样本向量中各个元素相互独立。 该方法是文本分类中的一个基本方法。 KNN 异常简单的KNN实现。 Logistic Regression 逻辑回归分类器，利用特征之间的线性关系和sigmoid函数对输入数据进行二分类。 sklearnSVM python sklearn机器学习库中对SVM的API SVM 线性SVM分类器，运用简单的SMO算法进行加速。 决策树 用于离散数据分类的决策树 聚类 K-means聚类 通过自定义的K-means算法，对鸢尾花数据集进行聚类，并将真实标签与聚类标签对比，结果表明
【文件预览】：
machine-learning-in-action-master
----reduction()
--------svd-dispose.png(6KB)
--------SVD.ipynb(5KB)
--------pca-dataset.txt(18KB)
--------PCA.ipynb(43KB)
----classification()
--------Bayes.ipynb(14KB)
--------KNN.ipynb(5KB)
--------sklearnSVM.ipynb(89KB)
--------decision-tree.ipynb(21KB)
--------svm-dataset.txt(2KB)
--------sklearn-tree-classification.ipynb(67KB)
--------Logistic回归.ipynb(6KB)
--------SVM.ipynb(56KB)
--------logistic-dataset.txt(2KB)
----cluster()
--------K-means.ipynb(27KB)
--------sklearn-kmeans.ipynb(154KB)
--------sklearn-GMM.ipynb(4KB)
----readme.md(2KB)
----ml_map.png(743KB)
----LICENSE(11KB)
----ensemble()
--------random-forest.ipynb(14KB)
--------adaboost.ipynb(25KB)
--------sonar-all-data.txt(84KB)
--------feature-resample.jpg(15KB)
----.gitignore(1KB)
----association-analysis()
--------FP-tree.png(115KB)
--------FP-growth.ipynb(16KB)
--------apachecn_apriori_goods_all_1.jpg(167KB)
--------condition_patterns.png(69KB)
--------apachecn_association_rule_demo_1.jpg(145KB)
--------apriori.ipynb(15KB)
--------infrequent.png(405KB)
--------condition_tree.png(40KB)
----regression()
--------sklearn-tree-regression.ipynb(28KB)
--------cart-dataset2.txt(5KB)
--------cart-dataset3.txt(4KB)
--------CART.ipynb(45KB)
--------LinearRegression.ipynb(450KB)
--------cart-dataset1.txt(4KB)
--------cart-dataset4.txt(4KB)
--------linear-dataset.txt(189KB)
--------cart-dataset5.txt(4KB)