资源简介
机器学习基础教程（Rogers）内的源码，包含.m和.r文件，大家下载学习吧！
代码片段和文件信息
import numpy as np
class SimpleSVM（object）:
def __init__（selftrainxtraintkernel=‘rbf‘kpar = 1.0C = 2tol=1e-10max_passes = 1000）:
self.trainx = trainx
self.traint = traint
self.kernel = kernel
self.kpar = kpar
self.C = C
self.tol = tol
self.max_passes = max_passes
self.N = len（self.traint）
self.K = self.kernel_matrix（）
self.alpha = np.zeros_like（traint）
self.b = 0.0
def test_kernel（selftestx）:
testK = np.zeros_like（self.traint）
if self.kernel == ‘linear‘:
testK = np.dot（self.trainxtestx.T）[:None]
elif self.kernel == ‘rbf‘:
for i in range（self.N）:
testK[i] = np.exp（-self.kpar * （（self.trainx[i:]-testx）**2）.sum（））
return testK
def kernel_matrix（self）:
K = None
if self.kernel == ‘linear‘:
K = np.dot（self.trainxself.trainx.T）
elif self.kernel == ‘rbf‘:
K = np.zeros（（self.Nself.N））
for i in range（self.N）:
for j in range（self.N）:
K[ij] = np.exp（-self.kpar * （（self.trainx[i:]-self.trainx[j:]）**2）.sum（））
return K
def train_predict（selfi）:
ksub = self.K[i:][:None]
return （ksub*self.alpha*self.traint）.sum（） + self.b
def test_predict（selftestx）:
testK = self.test_kernel（testx）
return （testK*self.alpha*self.traint）.sum（） + self.b
def smo_optimise（self）:
# initialise
self.alpha = np.zeros_like（self.traint）
self.b = 0
passes = 0
while passes < self.max_passes:
num_changed_alphas = 0
for i in range（self.N）:
Ei = self.train_predict（i） - self.traint[i]
if （self.traint[i]*Ei < -self.tol and self.alpha[i] < self.C） or （self.traint[i]*Ei > self.tol and self.alpha[i] > 0）:
j = np.random.randint（self.N）
Ej = self.train_predict（j） - self.traint[j]
alphai = float（self.alpha[i]）
alphaj = float（self.alpha[j]）
if self.traint[i] == self.traint[j]:
L = max（（0alphai+alphaj-self.C））
H = min（（self.Calphai+alphaj））
else:
L = max（（0alphaj-alphai））
H = min（（self.Cself.C+alphaj-alphai））
if L==H:
continue
eta = 2*self.K[ij] - self.K[ii] - self.K[jj]
if eta >= 0:
continue
self.alpha[j] = alphaj - （self.traint[j]*（Ei-Ej））/eta
if self.alpha[j] > H:
self.alpha[j] = H
if self.alpha[j] < L:
self.alpha[j] = L
if abs（self.alpha[j]-alphaj） < 1e-5:
continue
self.alpha[i] = self.alpha[i] + self.traint[i]*self.traint[j]*（alphaj - self.alpha[j]）
b1 = self.b - Ei - self.traint[i]*（self.alpha[i] - alphai）*self.K[ii] - self.traint[j]*（self.alpha[j] - alphaj）*self.K[ij]
b2 = self.b - Ej - self.traint[i]*（self.alpha[i] - alphai）*self.K[ij] - s 属性 大小 日期 时间 名称
----------- --------- ---------- ----- ----
....... 64956 2018-10-18 04:38 机器学习基础教程源码\labs\bayesian_regression\.ipynb_checkpoints\Bayesian Regression for the Olympic Data-checkpoint.ipynb
....... 189788 2018-10-18 04:38 机器学习基础教程源码\labs\bayesian_regression\bayes_regression2.pdf
....... 274 2018-10-18 04:38 机器学习基础教程源码\labs\bayesian_regression\data100m.csv
....... 208218 2018-10-18 04:38 机器学习基础教程源码\labs\bayesian_regression\olymp_bayes.pdf
....... 27957 2018-10-18 04:38 机器学习基础教程源码\labs\classification\.ipynb_checkpoints\KNN-checkpoint.ipynb
....... 160746 2018-10-18 04:38 机器学习基础教程源码\labs\classification\knn.pdf
....... 163994 2018-10-18 04:38 机器学习基础教程源码\labs\classification\logreg.pdf
....... 170770 2018-10-18 04:38 机器学习基础教程源码\labs\classification\logreg_metropolis_skeleton.ipynb
....... 209660 2018-10-18 04:38 机器学习基础教程源码\labs\classification\naivebayes.pdf
....... 3466 2018-10-18 04:38 机器学习基础教程源码\labs\classification\simplesvm.py
....... 122629 2018-10-18 04:38 机器学习基础教程源码\labs\classification\SVM.ipynb
....... 118909 2018-10-18 04:38 机器学习基础教程源码\labs\classification\svm.pdf
....... 21414 2018-10-18 04:38 机器学习基础教程源码\labs\classification\testx.csv
....... 5357 2018-10-18 04:38 机器学习基础教程源码\labs\classification\trainx.csv
....... 985610 2018-10-18 04:38 机器学习基础教程源码\labs\clustering\Gaussian_mixture.ipynb
....... 146526 2018-10-18 04:38 机器学习基础教程源码\labs\clustering\kmeans.pdf
....... 101392 2018-10-18 04:38 机器学习基础教程源码\labs\clustering\K_means_skeleton.ipynb
....... 274 2018-10-18 04:38 机器学习基础教程源码\labs\linear_regression\data100m.csv
....... 42071 2018-10-18 04:38 机器学习基础教程源码\labs\linear_regression\linear_regression.ipynb
....... 144702 2018-10-18 04:38 机器学习基础教程源码\labs\linear_regression\linear_regression.pdf
....... 2255 2018-10-18 04:38 机器学习基础教程源码\labs\linear_regression\max_like.mk
....... 178518 2018-10-18 04:38 机器学习基础教程源码\labs\linear_regression\max_like.pdf
....... 2612 2018-10-18 04:38 机器学习基础教程源码\labs\linear_regression\vector_matrices_cv.mk
....... 139534 2018-10-18 04:38 机器学习基础教程源码\labs\linear_regression\vector_matrices_cv.pdf
....... 1792 2018-10-18 04:38 机器学习基础教程源码\matlab\chapter1\.svn\entries
....... 2140 2018-10-18 04:38 机器学习基础教程源码\matlab\chapter1\.svn\text-ba
....... 2140 2018-10-18 04:38 机器学习基础教程源码\matlab\chapter1\.svn\text-ba
....... 852 2018-10-18 04:38 机器学习基础教程源码\matlab\chapter1\.svn\text-ba
....... 1087 2018-10-18 04:38 机器学习基础教程源码\matlab\chapter1\.svn\text-ba
....... 1021 2018-10-18 04:38 机器学习基础教程源码\matlab\chapter1\.svn\text-ba
............此处省略1539个文件信息
- 上一篇：大麦DW22D原厂编程器固件
- 下一篇：银行业数据治理实践德勤.pdf
相关资源
- MatchNet: Unifying Feature and Metric Learning
- Trajectory Planning for Automatic Machines and
- Mastering Machine Learning with Spark 2.X 无水
- 图表示学习Graph representation learning （
- The elements of statistical Learning 书与答案
- Michael Nielsen所著的Neural Networks and De
- Cengage.Learning.Business.Analytics.3rd.Editio
- Learning OpenCV 3
- Learning From Data plus 完整版带目录 林轩
- LearningOpenCV3ComputervisioninC.pdf
- Learning with Kernels - Support Vector Machine
- An Adventure in Statistics_Field Andy Iles Jam
- 2MachineLearning机器学习byTomMitchell英文原
- Coursera machine learning答案
- Hands-On Machine Learning with Scikit-Learn an
- 吴恩达 Deeplearning深度学习笔记v5.41.
- PRML pattern recognition and machine learning
- Hands-On Machine Learning with Scikit-Learn an
- Pattern Recognition And Machine Learning中英文
- Computational Learning Theory
- Deep Learning with Keras
- 李宏毅-Deep Learning Tutorial-300页的PPT
- Grokking-Deep-Learning-master.zip
- deep learning 完整中文版无水印
- Learning the bash Shell 3rd Edition
- Deep Learning with Keras带书签版
- Grokking Deep Learning最新版无水印+源代码
- 全2020吴恩达机器学习MachineLearning课程
- David Silver强化学习reinforcement learning课
- 最经典的机器学习教科书之一：《模
川公网安备 51152502000135号
评论
共有 条评论