基础机器学习中算法的Python实现

该Github存储库包含Python（Python版本3.6+）中的基本机器学习算法的实现。所有算法都是从头开始实施的，无需使用其他机器学习库。目的是提供对算法及其底层结构的基本了解，而不是提供最有效的实现。

线性回归（Linear Regression）

Python中的线性回归：在线性回归中，我们想要模拟标量因变量y和一个或多个独立（预测变量）变量x之间的关系。

Github地址：https://github.com/zotroneneis/machine_learning_basics/blob/master/linear_regression.ipynb

逻辑回归（Logistic Regression）

Python中Logistic回归：在逻辑回归中，我们试图对给定输入要素的线性组合的二元变量的结果进行建模。例如，我们可以尝试使用关于候选人花费竞选的金额，他/她花费多少时间竞选的信息来预测选举的结果（胜负）。

Github地址：https://github.com/zotroneneis/machine_learning_basics/blob/master/logistic_regression.ipynb

感知机（Perceptron）

Python中的感知机算法：感知机是一种简单的监督机器学习算法，也是最早的神经网络体系结构之一。它由Rosenblatt在20世纪50年代末引入。感知机表示二元线性分类器，其使用d-1维超平面将一组训练实例（d维输入向量）映射到二进制输出值。

Github地址：https://github.com/zotroneneis/machine_learning_basics/blob/master/perceptron.ipynb

K-近邻（k-nearest-neighbor）

Python中的k近邻算法：k-nn算法是一种简单的监督机器学习算法，可以用于分类和回归。这是一个基于实例的算法。因此，不是估算模型，而是将所有训练样例存储在内存中，并使用相似性度量进行预测。

Github地址：https://github.com/zotroneneis/machine_learning_basics/blob/master/k_nearest_neighbour.ipynb

k-Means聚类（k-Means clustering）

Python中的K-Means实现：K-Means是一种非常简单的聚类算法（聚类属于无监督学习）。给定固定数量的聚类和输入数据集，该算法试图将数据划分为聚类，使得聚类具有较高的类内相似性和较低的类间相似性。

Github地址：https://github.com/zotroneneis/machine_learning_basics/blob/master/kmeans.ipynb

简单神经网络的隐藏层（Simple neural network with one hidden layer）

这个库实现了一个简单的神经网络架构，可以将2维度的输入向量映射到二进制输出值。我们的网络将具有2输入神经元，一个隐藏层具有 6 隐藏神经元和具有 1 输出神经元的输出层。

多项逻辑回归（Multinomial Logistic Regression）

Python中的多项逻辑回归：Softmax回归，也称为多项逻辑回归，将逻辑回归扩展到多个类别。