Github_link_from:https://github.com/lawlite19/MachineLearning_Python

机器学习算法Python实现

目录

• 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