所有ML算法 它包括所有ML模型。（用于KTM和银行数据） 由所有ML预处理技术组成，如a。 采样技术（欠采样，过采样-ROS和SMOTE）b。 交叉验证（K折，分层K折）c。 主成分分析 具有HYPER参数校正的Boston数据集的套索和岭回归。 该存储库还包含我在编码文件中使用的RAW数据文件

PRMLT：PRML书籍中用于机器学习算法的Matlab代码

当下我国信息产业的飞速发展,伴随而来的是大数据时代,产生海量的数据信息,科学规范处理大数据需求越来越高。目前,由于大数据复杂性、多样性、高维性特点,从数据中挖掘内在规律困难较大,小型机器学习算法在处理问题上捉襟见肘。因此,研究适合大数据背景下的机器学习算法成为当下的热点,本研究立足于分析当下机器学习算法的基本内涵,得出目前处理大数据的重要手段,为大数据时代发展提出理论指导。

针对多智能体系统进行机器学习的思路和方法总结，可以参考

Mnist-时尚-赋值-PIAIC Fashion-MNIST是Zalando文章图片的数据集-包含60,000个示例的训练集和10,000个示例的测试集。每个示例都是一个28x28灰度图像，与来自10个类别的标签相关联。 Zalando打算将Fashion-MNIST用作直接替代MNIST原始数据集的基准机器学习算法。它具有相同的图像大小以及训练和测试分割的结构。原始MNIST数据集包含许多手写数字。 AI / ML /数据科学社区的成员喜欢此数据集，并将其用作验证其算法的基准。实际上，MNIST通常是研究人员尝试的第一个数据集。他们说：“如果它在MNIST上不起作用，那么它将根本不起作用”。 “好吧，如果它确实可以在MNIST上运行，那么在其他系统上仍然可能会失败。” Zalando试图替换原始的MNIST数据集内容每个图像的高度为28像素，宽度为28像素，总计784像素。每个像素都

免责声明 这个项目很稳定，可以长期支持。 它可能包含新的实验代码，其API可能会更改。 因果ML：用于ML进行抬升建模和因果推理的Python包 Causal ML是一个Python软件包，它提供了一套基于最近研究的，使用机器学习算法的提升模型和因果推理方法。 它提供了一个标准界面，允许用户从实验或观察数据中估计条件平均治疗效果（CATE）或个体治疗效果（ITE）。 本质上，它为具有观察特征X用户估计了干预T对结果Y的因果影响，而无需对模型形式做出强烈假设。 典型的用例包括 广告系列定位优化：提高广告系列投资回报率的重要手段是将广告定位到在给定的KPI（例如参与度或销售）方面有良好响应的一组客

【案例描述】 海伦使用约会网站寻找约会对象。经过一段时间之后，她发现曾交往过三种类型的人: 不喜欢的人 魅力一般的人 极具魅力的人 她希望: 工作日与魅力一般的人约会 周末与极具魅力的人约会 不喜欢的人则直接排除掉 现在她收集到了一些约会网站未曾记录的数据信息，这更有助于匹配对象的归类。 【开发步骤】 收集数据: 提供文本文件 准备数据: 使用 Python 解析文本文件 分析数据: 使用 Matplotlib 画二维散点图 训练算法: 此步骤不适用于 k-近邻算法 测试算法: 使用海伦提供的部分数据作为测试样本。 使用算法: 产生简单的命令行程序，然后海伦可以输入一些特征数据以判断对方是否为自己喜欢的类型。 【注】本实例对于每步都有详细讲解，若有不理解部分，可私信解答。

CSCI-567：各种机器学习算法

置信区间 通常描述某估计的不确定性的方法是使用置信区间，真实的值以一定的概率落入该区间中，这样的估计称为置信区间估计 定义：某个参数p的N%置信区间是一个以N%的概率包含p的区间 由于估计量errorS(h)服从二项分布，这一分布的均值为errorD(h)，标准差可由式5.9计算，因此，为计算95%置信区间，只需要找到一个以errorD(h)为中心的区间，它的宽度足以包含该分布全部概率的95% 这提供了一个包围errorD(h)的区间，使errorS(h)有95%机会落入其中，同样它也指定了errorD(h)有95%的机会落入包围errorS(h)的区间的大小

内容包括朴素贝叶斯算法python实现代码，实现对iris分类，包含iris的txt格式的数据集。