LeBron-Jian/MachineLearningNote
LeBron-Jian/MachineLearningNote has 502 GitHub stars and 214 forks. GitHot measured 0 stars in 24 hours. Last checked 2026-11-15 17:54 UTC. Last push 2024-03-25.
Crecimiento de estrellas medido
- in 24h
- 0
- in 7 days
- Actualización retrasada
- in 15 days
- Actualización retrasada
- in 1 month
- Actualización retrasada
Cambios netos en períodos que se solapan, no totales diarios. Los datos no disponibles se dejan en blanco. Las estrellas indican interés, no calidad.
Acerca de
Public GitHub repository
Herramientas de desarrolloREADME.md
OriginalMachineLearningNote
因为下面所有的机器学习代码均使用了sklearn,这里也补充了一下Sklearn的学习博客:
- Python机器学习笔记:sklearn库的学习
- Python机器学习笔记:使用sklearn做特征工程和数据挖掘
- Python机器学习笔记:Grid SearchCV(网格搜索)
1,logistic Regression
关于逻辑回归文件夹中的数据和代码,详情请参考博客:
- Python机器学习笔记:Logistic Regression
2,Decision Tree
关于决策树文件夹中的数据和代码,详情请参考博客:
- python机器学习笔记:深入学习决策树算法原理
- python机器学习笔记:ID3决策树算法实战
- Python机器学习笔记:CART算法实战
3,K-NearestNeighbor(KNN)
关于K近邻文件夹中的代码和数据,详情请参考博客:
- Python机器学习笔记:K-近邻(KNN)算法
4,Naive Bayes
关于朴素贝叶斯文件夹中的代码,详情请参考博客:
- Python机器学习笔记:朴素贝叶斯算法
5,K-Means&DBSCAN
关于K-Means&DBSCAN文件夹中的代码和数据,详情请参考博客:
- Python机器学习笔记:K-Means算法,DBSCAN算法
6,Ensemble Learning
关于集成学习文件夹中的代码,详情请参考博客:
- Python机器学习笔记 集成学习总结
7,One Class SVM
关于单样本分类文件夹中的代码,详情请参考博客:
- Python机器学习笔记:One Class SVM
8,PCA
关于PCA降维算法文件夹中的代码,详情请参考博客:
- Python机器学习笔记:主成分分析(PCA)算法
- Python机器学习笔记:使用scikit-learn工具进行PCA降维
9,LDA
关于LDA降维文件夹中的代码,详情请参考博客:
- Python机器学习笔记:线性判别分析(LDA)算法
10,EM(GMM)
关于EM算法文件夹中的代码,详情请参考博客:
- python机器学习笔记:EM算法
11,SVM
关于SVM算法文件夹中的代码,详情请参考博客:
- Python机器学习笔记:SVM(1)——SVM概述
- Python机器学习笔记:SVM(2)——SVM核函数
- Python机器学习笔记:SVM(3)——证明SVM
- Python机器学习笔记:SVM(4)——sklearn实现
12,XGBoost
关于XGBoost算法文件夹中的代码,详情请参考博客:
- Python机器学习笔记:XgBoost算法
13,IsolationForest
关于IsolationForest算法文件夹中的代码,详情请参考博客:
- Python机器学习笔记:异常点检测算法——Isolation Forest
14,RamdomForest
关于RamdomForest算法文件夹中的代码,详情请参考博客:
- Python机器学习笔记:随机森林算法
15,Local Outlier Factor(LOF)
关于 Local Outlier Factor(LOF) 算法文件夹中的代码,详情请参考博客:
- Python机器学习笔记:异常点检测算法——LOF(Local Outiler Factor)
16,SVD
关于 SVD 算法文件夹中的代码,详情请参考博客:
- Python机器学习笔记:奇异值分解(SVD)算法