【文件属性】：
文件名称：MachineLearning.jl:Julia机器学习库
文件大小：49KB
文件格式：ZIP
更新时间：2021-05-09 19:13:51
Julia
MachineLearning.jl
MachineLearning软件包代表了尝试合并以纯Julia编写的常见机器学习算法并提供一致的API的尝试的开始。 最初，该软件包将面向机器学习从业人员，并使用适合单个机器内存的数据集。 从长远来看，我希望这将针对更大的数据集，并且对于最新的机器学习研究也将是有价值的。
API介绍
model = [2.0,1.0,-1.0]
x_train = randn(1_000, 3)
y_train = int(map(x->x>0, x_train*model))
net = fit(x_train, y_train, classification_net_options())
sample = [1.0, 0.0, 0.0]
println("Ground truth: ", int(dot(sample,model)>0))
println("P
【文件预览】：
MachineLearning.jl-master
----Dockerfile(1KB)
----accuracy_benchmark()
--------regression.jl(3KB)
--------classification.py(1KB)
--------classification.R(760B)
--------regression.R(1022B)
--------classification.jl(3KB)
--------regression.py(1KB)
----ROADMAP.md(864B)
----src()
--------experiment.jl(784B)
--------bart.jl(19KB)
--------MachineLearning.jl(4KB)
--------logistic_regression.jl(1KB)
--------neural_net.jl(16KB)
--------tree.jl(5KB)
--------hash_logit.jl(2KB)
--------metrics.jl(1KB)
--------decision_tree.jl(8KB)
--------pipeline.jl(2KB)
--------importance.jl(3KB)
--------transform()
--------split.jl(4KB)
--------sensitivity.jl(2KB)
--------test_helpers.jl(231B)
--------common.jl(4KB)
--------random_forest.jl(4KB)
--------partial.jl(2KB)
----.travis.yml(850B)
----experiments()
--------bart_num_trees.jl(986B)
--------regression_comparison.jl(995B)
--------bart_transform_probs.jl(920B)
--------bart_num_draws.jl(618B)
--------classification_comparison.jl(955B)
--------bart_small_leaf_likelihood_factor.jl(1KB)
--------regression_net_stop_iterations.jl(729B)
--------bart_rf_quantile.jl(879B)
--------regression_net_num_hidden.jl(691B)
----LICENSE(1KB)
----REQUIRE(84B)
----README.md(2KB)
----speed_benchmark()
--------results()
--------neural_net.jl(489B)
----test()
--------experiment.jl(484B)
--------regression.jl(737B)
--------linear_data.jl(229B)
--------bart.jl(2KB)
--------neural_net.jl(3KB)
--------tree.jl(2KB)
--------metrics.jl(1KB)
--------decision_tree.jl(2KB)
--------pipeline.jl(1KB)
--------importance.jl(325B)
--------transform()
--------split.jl(4KB)
--------sensitivity.jl(952B)
--------common.jl(1KB)
--------random_forest.jl(515B)
--------classification.jl(598B)
--------runtests.jl(588B)
----run_benchmarks.jl(190B)