taifyang的博客

支持向量机原理参考：1.支持向量机（SVM）的分析及python实现（高赞，通俗易懂，sklearn各种实现）2.SVM 支持向量机算法原理（详细总结）和python代码实现（进阶详细理论）SMO算法参考：序列最小优化算法SMO及代码实现python实现：import numpy as npimport randomclass SimpleSMO(object): def __init__(self,x,y,b,c,tolerance,max_iter):

原理参考：EM算法及python实现python实现：import mathimport copyimport numpy as npclass EM: # 指定k个高斯分布参数，这里指定k=2。注意2个高斯分布具有相同均方差sigma，分别为mu1,mu2。 def __init__(self, x, sigma, k, n): self.x = x self.sigma = sigma self.k = k s

原理参考：【机器学习】AdaBoost算法Python实现从零学习Adaboost算法的python实现python实现：import numpy as npclass AdaBoost: # 单层决策树生成函数，通过阀值比较对数据进行分类，在阀值一边的数据分到类别-1，而在另一边的数据分到类别+1 def stumpClassify(self, dataMatrix, dimen, threshVal, threshIneq): # 数据集，数据集列数，阈值，比较方式：lt，

原理参考：决策树：原理以及python实现python实现：import collectionsimport numpy as npclass ID3: def __init__(self, x, y, labels): self.x = x self.y = y self.data = np.hstack((self.x, self.y)) self.labels = labels self.tree =

原理参考：PCA 原理及 Python 实现python实现：import numpy as npimport pandas as pdclass PCA(object): """定义PCA类""" def __init__(self, x, n_components=None): """x的数据结构应为ndarray""" self.x = x self.dimension = x.shape[1]

原理参考：K-means聚类算法原理及python实现Sklearn之KMeans算法python实现：import randomimport pandas as pdimport numpy as npclass KMeans: def __init__(self, dataSet, k): self.dataSet = dataSet self.k = k # 计算欧拉距离 def calcDis(self, centroids)

原理参考：Python手写实现朴素贝叶斯（从原理到代码）朴素贝叶斯算法的Python实现（多项式、高斯）三种常用的朴素贝叶斯实现算法——高斯朴素贝叶斯、伯努利朴素贝叶斯、多项式朴素贝叶斯伯努利模型python实现：import numpy as npclass NaiveBayes(object): def __init__(self, alpha = 1.0, fit_prior=True): self.alpha = alpha self.fit_

原理参考：K-邻近算法(KNN)详解+Python实现python实现：import numpy as npimport operatorclass KNN(): def __init__(self, x, y, k, p): self.k = k self.p = p self.x = x self.y = y def predict(self, x): diff = np.tile(x,

原理参考：【DL笔记3】一步步用python实现Logistic回归logistic回归——PYTHON实现第二篇原理比较易懂，代码好像有点问题。python实现：import numpy as np#Logistic回归模型class LogisticRegression(): def __init__(self, x, y): self.x = x self.y = y self.w = np.zeros(self.x.shape[1

原理参考：python实现线性回归算法import numpy as npimport matplotlib.pyplot as plt#创建数据集def creatdata(): x = np.array([[1], [2], [3], [4]]) y = np.array([[1, 2, 2.9, 4.1]]) return x, y #线性回归模型def LinearRegression(x, y, alpha, iters): x = np.

原理参考：PLA算法和Pocket算法原理及Python实现python实现：import numpy as npimport random #创建数据集def createdata(): x = np.array([[3,-3],[4,-3],[1,1],[1,2]]) y = np.array([-1, -1, 1, 1]) return x, y #感知机模型class Pocket: def __init__(self, x, y):

原理参考：PLA算法python实现：import numpy as npimport matplotlib.pyplot as plt#创建数据集def createdata(): samples=np.array([[3,-3],[4,-3],[1,1],[1,2]]) labels = np.array([-1, -1, 1, 1]) return samples,labels#感知机模型class Perceptron: def __init__(s