SVM算法使用Matlab代码，在Machine-Learning存储库中，保存了我完成斯坦福机器学习课程练习时所用的Octav...

5星

浏览量: 0

大小:None

文件类型：None

简介：
svm算法的实现依赖于Matlab代码，这些代码来源于Ng的斯坦福机器学习课程。该存储库收录了我完成课程中各项练习所编写的Octave/Matlab程序。具体而言，第二周涉及了处理具有多个变量的线性回归（练习1），其中包含用于构建功能的文档，通过散点图对数据进行探索分析。此外，还采用了合适的成本函数来执行梯度下降算法，并利用封闭式法线方程进一步优化梯度下降过程。为了提升“梯度下降”的收敛速度，对特征进行了归一化处理。在第三周的学习中，我们聚焦于Logistic回归（练习2），同样包含了构建功能的文档，该文档展示了如何在适当的成本函数上实施“梯度下降”。同时，也探索并确定了合适的权重参数，以对逻辑回归进行正则化处理。通过修改后的成本函数实现了Logistic回归的正则化版本，并利用其进行样本外预测。第四周的内容集中于神经网络的学习（练习3），构建了一个由多个线性回归层组成的多元分类器。为了将数据转换为适合逻辑回归的形式，使用了S形链接函数进行转换。此外，还采用了“一个与全部”方法来进行手写数字分类以及样本外分类。该部分使用了三层的前馈神经网络结构，并在手写数字上训练神经网络的权重和偏差参数，并将这些权重参数存储在矩阵中。最后，利用训练好的网络对样本外数字进行分类。第五周则侧重于神经网络的学习机制（练习4），从头开始使用反向传播算法来实现前馈神经网络的学习过程.

全部评论 (0)

还没有任何评论哟~

客服

SVM算法的手写Matlab代码 - Machine-Learning: 本仓库包含了我在斯坦福机器学习课程中的练习代码（使用Octave...）

优质

此GitHub仓库提供在斯坦福大学机器学习课程中编写的SVM手写Matlab/Octave实践代码，适合深入理解支持向量机算法。 svm算法的手写matlab代码可以在Ng的斯坦福机器学习课程的存储库中找到。该存储库包含了我在完成课程练习过程中编写的Octave/Matlab代码。 - 第2周：多项式线性回归（练习1） - 使用散点图探索数据。 - 实现梯度下降，使用适当的代价函数。 - 利用闭形式解实现梯度下降。 - 对特征进行标准化以改善“梯度下降”的收敛速度。 - 运用多项式线性回归来进行样本外预测。 - 第3周：逻辑回归（练习2） - 实现了基于适当代价函数的“梯度下降”方法。 - 探索并确定合适的权重，以便对逻辑回归进行正则化处理。 - 使用修改后的成本函数实现正则化的Logistic回归版本。 - 部署和使用Logistic回归来进行样本外预测。 - 第4周：神经网络表示（练习3） - 构建了一个由多个线性模型组成的多类别分类器。 - 应用S形链接函数转换数据以实现逻辑回归。 - 使用“一个与全部”方法对手写数字进行分类，并进行了样本外预测。 - 利用了三层来构建前馈神经网络，训练手写数字的权重和偏差并将其存储在矩阵中。 - 运用该网络对未见过的手写数字进行分类。 - 第5周：神经网络学习（练习4） - 使用反向传播从头开始实现了一个前馈神经网。

手写svm算法的Matlab代码- Machine Learning练习

优质

本资源提供了一段用于机器学习实践的手写支持向量机(SVM)的MATLAB代码，适用于希望深入了解SVM工作原理和实现细节的学习者。我上传了我的机器学习在线课程作业，该课程由斯坦福大学的AndrewNJ教授授课。所有代码都可以在MATLAB/Octave（4.4.0或更高版本）上运行，并且每个练习都附有一个文档文件以提供更多信息。建议先阅读相关文档再开始操作。只需运行名为“exNUM.m”的主函数，例如ex5.m即可进行实验。以下是各个作业的简要说明： HW1：线性回归。在这个任务中，我实现了线性回归方法，并观察了它在样本数据上的表现。 HW2：逻辑回归。首先，在此练习的第一部分里，我构建了一个用于预测学生是否会被大学录取的逻辑回归模型；使用的是一个简单的线性决策边界来分类数据集中的点。第二部分中，为了判断制造工厂生产的微芯片是否通过质量保证（QA），我实现了正则化逻辑回归，并且采用了非线性的决策边界和正则项。 HW3：多类分类与神经网络的实际应用。在第一阶段任务里，利用之前实现的逻辑回归模型进行“一对多”分类以识别手写数字（从0至9）。最终训练集准确率达到了95%；接下来，在第二部分中我使用了MPL神经网络库来完成同样的任务，并且令人惊讶的是这次准确性提升到了接近97%。

斯坦福CS229机器学习课程笔记

优质

本笔记涵盖了斯坦福大学CS229机器学习课程的核心内容，包括监督学习、无监督学习及强化学习等主题，适合初学者和进阶者参考学习。斯坦福大学的CS229机器学习课程笔记提供了深入的学习资源，涵盖了从基础概念到高级技术的广泛内容，非常适合希望在机器学习领域打下坚实基础的学生和技术人员。这些笔记详细解释了各种算法、模型及其应用，并通过实例和练习帮助读者理解和掌握关键知识点。

斯坦福大学的机器学习课程资料

优质

简介：斯坦福大学的机器学习课程资料是由顶尖学者提供的全面教学资源，涵盖了算法、模型及应用实践等内容，适合初学者和进阶者学习。斯坦福大学的机器学习课程课件内容详实，是一整套全英文原版资料，非常值得一看。

斯坦福机器学习课程英文笔记

优质

这是一份关于斯坦福大学机器学习课程的英文笔记，涵盖了课程的核心概念和实践内容，适合对机器学习感兴趣的读者深入学习。斯坦福大学的机器学习课程笔记由Andrew Ng和Ran Dror教授。

吴恩达在斯坦福大学的机器学习课程笔记完整版

优质

这本笔记整理了吴恩达在斯坦福大学讲授的机器学习课程的核心内容，涵盖了算法原理、实践案例和编程实现等多方面知识。斯坦福大学吴恩达的机器学习课程笔记提供了一套全面的学习资源，帮助学生掌握机器学习的基础知识和高级概念。这些笔记详细解释了课程中的关键理论，并通过实例来加深理解。此外，还包含了一些实用技巧和建议，有助于提高学习效率并更好地应用所学知识。

斯坦福CS229机器学习课程讲义、作业和Matlab代码资源

优质

本资源包含斯坦福大学CS229机器学习课程的完整讲义、习题集及部分Matlab编程实践文件，适用于深度学习初学者。个人整理了斯坦福大学的机器学习CS229课程的相关资料，包括较全的讲义、作业和Matlab代码。

吴恩达在Coursera的斯坦福机器学习课程中文笔记

优质

这是一份详细记录了吴恩达在Coursera平台上教授的斯坦福大学机器学习课程的中文版课堂笔记，适合对机器学习感兴趣的中文读者自学和参考。此笔记是2014年Andrew Ng在Coursera上开设的机器学习（Machine Learning）公开课的中文版笔记，原作者为中国海洋大学的一名博士生，感谢原作者的贡献。

斯坦福大学机器学习课程的个人笔记（完整版）

优质

这是一份基于斯坦福大学机器学习课程的全面个人笔记，涵盖了课程中所有的核心概念和算法。适合希望深入理解机器学习原理和技术的学习者参考。斯坦福大学机器学习课程个人笔记完整版重复的内容已经简化为：斯坦ford大学的机器学习课程个人笔记完整版。不过原句似乎有误或冗余，更正后可以表述为：斯坦福大学机器学习课程的个人笔记。

Python 实现的机器学习课程设计代码 Machine Learning

优质

本课程提供利用Python语言进行机器学习项目的设计与实现，涵盖算法理论及实践应用，适合初学者深入理解和掌握机器学习的核心技术。 Python 实现机器学习课程设计代码包括阿斯塔尔数据转换、决策树、降维预测、梯度下降、K 表示克吕斯特 K 最近邻（Knn）、Sklearn 线性判别分析、线性回归、局部加权学习、逻辑回归 Lstm 预测、多层感知器分类器和多元回归。此外，还包括评分函数自组织地图、顺序最小优化相似性搜索和支持向量机词频函数 Xgboost 分类器与 Xgboost 回归器的实现。