# MachineLearningAction

**Repository Path**: yinweibang/MachineLearningAction

## Basic Information

- **Project Name**: MachineLearningAction
- **Description**: ML、python3； DL、 tensorflow2
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2020-08-23
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# MachineLearningAction ML AND DL

## 介绍
这个是根据机器学习实战的， 用来自己学习, 基于python3.7

## 软件架构
问题： import xx 提示No module named xxx， 将com.chb目录 make as root Directory

## 一、机器学习基础
### 1.1、

# 第二部分 监督学习

# 分类
## 二、[K-近邻算法](https://blog.csdn.net/wuxintdrh/article/details/89738037)


## 三、[决策树](https://blog.csdn.net/wuxintdrh/article/details/89578782)


## 四、[贝叶斯决策](https://blog.csdn.net/wuxintdrh/article/details/89483413)
### 4.1、基于贝努利模型： 只考虑词在文档中出现与否， 假设词是等权重的
### 4.2、基于多项式模型： 考虑词在文档中的出现次数

### 4.3、问题
#### 4.3.1、TypeError: 'range' object doesn't support item deletion
       
           
## 最优化算法

## 五、[logstic回归](https://blog.csdn.net/wuxintdrh/article/details/89817966)
 
    **回归:** 假设有一些数据点，我们用一条直线对这些数据点进行**拟合**（该直线称做最佳拟合直线），这个拟合的过程就称做**回归**。
### 5.1、Sigmoid函数
### 5.2、梯度上升法
#### [梯度上升算法的迭代公式推导](https://www.cnblogs.com/bonelee/p/7253508.html)



 ## 六、[SVM(支持向量机)](https://blog.csdn.net/wuxintdrh/article/details/97482533)
 
 
 
 ## 七、[AdaBoost元算法提高分类性能](https://blog.csdn.net/wuxintdrh/article/details/97620958)
 
 
 
 
 # 回归
 ## 八、线性回归
    标准线性回归      存在欠拟合
    局部加权线性回归   存在过拟合
 
 ### 8.1、[概念及公式推导](https://blog.csdn.net/wuxintdrh/article/details/89647956)
 
 ### 8.2、[python实现](https://blog.csdn.net/wuxintdrh/article/details/89647956)
 
 
 
 
 # 九、[树回归](https://chbxw.blog.csdn.net/article/details/98303563)
 
 
 
 
 
 # 第三部分：无监督学习
 ## 聚类
 ### 十、[K-均值聚类算法](https://blog.csdn.net/wuxintdrh/article/details/89461946)
 ### 十一、DBSCAN

 ## 关联分析
 ### 十二、Apriori
 #### 12.1、[apriori概念](https://blog.csdn.net/wuxintdrh/article/details/80725371)
 #### 12.2、