00_随机森林案例一：宫颈癌预测. 01. Bagging&Boosting算法应用在回归模型中 02_Adaboost案例一：Adaboost分类算法 03_Adaboost案例二：Adaboost API algorithm参数取值比较

EconML：用于基于ML的异构处理效果估计的Python包 EconML是一个Python软件包，用于通过机器学习从观察数据中估计异构处理效果。 此软件包是作为Microsoft Research的一部分设计和构建的，目的是将最新的机器学习技术与计量经济学相结合，以使自动化解决复杂的因果推理问题。 EconML的承诺： 在计量经济学和机器学习的交集中实现文献中的最新技术 保持建模效果异质性的灵活性（通过诸如随机森林，增强，套索和神经网络之类的技术），同时保留对所学模型的因果解释，并经常提供有效的置信区间 使用统一的API 建立在用于机器学习和数据分析的标准Python软件包的基础上 机器学习的最大希望之一就是在众多领域中自动化决策。 许多数据驱动的个性化决策方案的核心是对异构处理效果的估计：对于具有特定特征集的样本，干预对感兴趣结果的因果关系是什么？ 简而言之，该工具包旨在测量某些治疗变量T对结果变量Y的因果效应，控制一组特征X, W以及该效应如何随X 。 所实施的方法甚至适用于观测（非实验或历史）数据集。 为了使估计结果具有因果关系，有些方法假定没有观察到的混杂因素（即， X,

机器学习算法中自然语言处理常用数据集(新闻数据集news.csv)及jieba_dict字典、停用词等相关文件，包括以下文件 data/news.csv jieba_dict/dict.txt.big jieba_dict/stopwords.txt jieba_dict/stopwords_s.txt

03_案例三：K-Means算法和Mini Batch K-Means算法效果评估.ipynb6.85 kB3 分钟前 02_案例二：K-Means算法和Mini Batch K-Means算法比较.ipynb227 kB3 分钟前 01_案例一：K-Means算法聚类.ipynb

myLearn make:生成可执行文件 demo.sh:调试入口 model.conf:模型参数 从线性到非线性模型 1、线性回归，岭回归，Lasso回归，局部加权线性回归 2、logistic回归，softmax回归，最大熵模型 3、广义线性模型 4、Fisher线性判别和线性感知机 5、三层神经网络 6、支持向量机 统计概率模型 1、高斯判别分析 2、朴素贝叶斯 3、隐马尔可夫模型 4、最大熵马尔科夫模型 5，条件随机场 6，马尔科夫决策过程 树模型 1、决策树 ID3，C4.5，CART 2、随机森林RF 3、Adaboost 4、GBDT 5、XGboost 6、孤立森林（异常检测） 聚类模型 1、层次聚类 2、原型聚类-K-means 3、模型聚类-GMM 4、EM算法-LDA主题模型 5、密度聚类-DBSCAN 6、图聚类-谱聚类 特征工程 1、特征工程 2、特征提取 3、特

机器学习算法之KNN 2、KNN案例：鸢尾花数据分类

可以用来做回归

波塞冬 软件定义的网络态势感知 波塞冬始于两个IQT Labs： 和。 该项目的目标是探索一种方法，以更好地识别给定（计算机）网络上的节点并了解它们在做什么。 该项目利用软件定义网络和机器学习来自动捕获网络流量，从流量中提取相关特征，通过经过训练的模型进行分类，传达结果，并提供采取进一步行动的机制。 尽管该项目最有效地利用了现代SDN，但它的部分内容仍可以与数据包捕获（pcap）文件一起使用。 目录 背景 波塞冬（Poseidon）项目最初是作为一项实验来测试，以测试利用SDN和机器学习技术检测异常网络行为的优点。 （请阅读下面链接的我们的，以了解其多年背景）。尽管这个长期目标仍然存在，但不幸的现实是，用于ML训练的丰富，标签化，公共和MODERN网络数据集的状态非常差。 我们的实验室正在努力提高网络训练集的可用性，但是在短期内，该项目仍将重点放在1）提高识别节点IS的准确性（基于捕获的IP标头数据）和2）将Poseidon开发为“利用”以容纳其他使用案例的机器学习技术。 （阅读：不只是我们的！） 先决条件 -Poseidon和相关组件在Docker之上运行，因此了解基础知识对于

Machine-Learning-Geological-Mapping-Soil-Geochemistry:机器学习项目，可使用土壤样本地球化学来预测潜在的地质情况。 测试地形数据，采样方法，机器学习算法和多个分类器系统的优势

关于主成分分析PCA算法解释较为清晰明了的PPT与代码，非常适合小白入门，以及作为面试的准备，有助于快速提升机器学习基础算法