用python实现机器学习算法

在看李航的《统计学习方法》的时候没有结合代码，总感觉比较虚。github上有个中国学生开源的机器学习python实现，比较全面，文档也不错

 

https://github.com/lawlite19/MachineLearning_Python

 

可以动手敲一遍，加深理解。

目录摘抄如下：

机器学习算法Python实现

• 一、线性回归
  • 1、代价函数
  • 2、梯度下降算法
  • 3、均值归一化
  • 4、最终运行结果
  • 5、使用scikit-learn库中的线性模型实现
• 二、逻辑回归
  • 1、代价函数
  • 2、梯度
  • 3、正则化
  • 4、S型函数（即）
  • 5、映射为多项式
  • 6、使用的优化方法
  • 7、运行结果
  • 8、使用scikit-learn库中的逻辑回归模型实现
• 逻辑回归_手写数字识别_OneVsAll
  • 1、随机显示100个数字
  • 2、OneVsAll
  • 3、手写数字识别
  • 4、预测
  • 5、运行结果
  • 6、使用scikit-learn库中的逻辑回归模型实现
• 三、BP神经网络
  • 1、神经网络model
  • 2、代价函数
  • 3、正则化
  • 4、反向传播BP
  • 5、BP可以求梯度的原因
  • 6、梯度检查
  • 7、权重的随机初始化
  • 8、预测
  • 9、输出结果
• 四、SVM支持向量机
  • 1、代价函数
  • 2、Large Margin
  • 3、SVM Kernel（核函数）
  • 4、使用中的模型代码
  • 5、运行结果
• 五、K-Means聚类算法
  • 1、聚类过程
  • 2、目标函数
  • 3、聚类中心的选择
  • 4、聚类个数K的选择
  • 5、应用——图片压缩
  • 6、使用scikit-learn库中的线性模型实现聚类
  • 7、运行结果
• 六、PCA主成分分析（降维）
  • 1、用处
  • 2、2D-->1D，nD-->kD
  • 3、主成分分析PCA与线性回归的区别
  • 4、PCA降维过程
  • 5、数据恢复
  • 6、主成分个数的选择（即要降的维度）
  • 7、使用建议
  • 8、运行结果
  • 9、使用scikit-learn库中的PCA实现降维
• 七、异常检测 Anomaly Detection
  • 1、高斯分布（正态分布）
  • 2、异常检测算法
  • 3、评价的好坏，以及的选取
  • 4、选择使用什么样的feature（单元高斯分布）
  • 5、多元高斯分布
  • 6、单元和多元高斯分布特点
  • 7、程序运行结果