文件名称：Statistical-Learning-Methods:实施统计学习方法，李航刻苦。李航《统计学习方法》一书的硬核Python实现
文件大小：57KB
文件格式：ZIP
更新时间：2024-04-06 01:48:56
Python
统计学习方法（中文文档请往下翻） 实现统计学习方法（李航）介绍的所有算法。 特征 完成。 本书介绍的所有算法均已实现，包括 由kd-tree提供支持的kNN。 最大熵模型。 我找不到其他实现此算法的存储库。 线性链条件随机场。 我在任何其他类似的存储库中都找不到此模型。 由baum-welch驱动的HMM。 大多数回购协议仅提供经过计数训练的HMM。 详细。 所有算法均已实现。 我尽力不跳过任何细节。 例如， 关于如何通过交叉验证选择最佳的CART之一，我通过电子邮件询问了李航博士，并获得了详细的答案。 非常感谢李航博士的耐心和友善。 矩阵计算。 剥下for循环。 使用numpy支持的矩阵计算来实现大多数算法。 可扩展的。 将代码与新的数据集相匹配很容易，因为所有算法在很大程度上都可以通过参数进行控制。 示例每个算法都附带一些示例。 只需运行模型文件，您将看到示例。 如果您
【文件预览】：
Statistical-Learning-Methods-master
----.gitignore(2KB)
----14.Cluster()
--------KMeans.py(2KB)
--------Agglomerative.py(2KB)
----test_heap.py(125B)
----README.md(6KB)
----test_line_search.py(282B)
----test_information_gain.py(1KB)
----16.PCA()
--------PCA.py(1KB)
----17.LSA()
--------LSA.py(2KB)
----18.PLSA()
--------PLSA.py(3KB)
----04.NaiveBayes()
--------NaiveBayesMAP.py(3KB)
--------NaiveBayesMLE.py(3KB)
----20.LDA()
--------LDA.py(3KB)
----11.ConditionalRandomField()
--------LinearChainConditionalRandomField.py(14KB)
----10.HMM()
--------HMM.py(3KB)
--------Forward.py(4KB)
--------Backward.py(3KB)
--------BaumWelch.py(4KB)
--------Viterbi.py(2KB)
----15.SVD()
--------SVD.py(2KB)
----19.MCMC()
--------GibbsSampling.py(2KB)
--------MetropolisHasting.py(3KB)
--------SingleComponentMetropolisHasting.py(3KB)
----utils.py(6KB)
----06.LogisticRegression-MaxEntropy()
--------BinaryLogisticRegression.py(3KB)
--------MaxEntropy.py(6KB)
----test_get_solution_domain.py(522B)
----03.KNN()
--------knn_kdtree.py(5KB)
--------test_kdtree.py(760B)
--------__init__.py(0B)
--------knn.py(3KB)
----__init__.py(0B)
----08.Boosting()
--------AdaBoost.py(3KB)
--------GBDT.py(4KB)
----02.Perceptron()
--------perceptron.py(3KB)
----05.DecisionTree()
--------pruneClassificationCART.py(6KB)
--------ClassificationCART.py(6KB)
--------RegressionCART.py(5KB)
--------ID3.py(5KB)
--------C4.5.py(5KB)
--------prune.py(5KB)
----21.PageRank()
--------PageRank.py(1KB)
----07.SVM()
--------SVM.py(7KB)
----09.EM()
--------GMM.py(4KB)