Machine-Learning-code

python实现常见的机器学习算法，实验中用到的数据都为mnist数据，已经转换为csv格式，上传的为数据压缩包，直接解压即可

代码结构

所有的的机器学习算法都封装为一个类，都实现了数据预处理、训练和预测这三个接口，然后这些类都继承自basemodel中Model这个基类，基类主要负责加载数据和计算准确率

目录

第二章：感知机
博客：机器学习(3)-感知机的理解与代码实现
代码：model/perceptron.py

第三章：K近邻
博客：机器学习(5)-K邻近(KNN）的理解与代码实现
代码：model/knn.py

第四章：朴素贝叶斯
博客：机器学习(2)-朴素贝叶斯的理解和代码实现
代码：model/naivebayes.py

第五章：决策树
代码: model/decision_tree.py

第六章：逻辑回归
博客：机器学习(1)-逻辑回归的理解、面试问题以及代码实现
代码：model/logistic.py

第七章：支持向量机
博客：机器学习(4)-支持向量机的理解与代码实现（上）、机器学习(4)-支持向量机的理解与代码实现（下）
代码：model/svm.py

第八章：提升方法
博客：机器学习(6)-提升方法的理解与代码实现
代码：model/adaboost.py

第九章：EM算法
博客：机器学习(7)-EM算法
代码：model/em.py

第十章：隐马尔可夫模型
博客：机器学习(8)-隐马尔可夫模型
代码：model/hmm.py