机器学习算法 自制算法，了解算法的工作原理。 用户定义的算法来执行朴素贝叶斯算法 基于概率的概念从先验概率（或认为）P（A）开始，在给定可能性的情况下P（B | A）和证据P（B），我们得出后验概率P（A | B）。 贝叶斯定理公式为：后验=似然率先于证据 P（A | B）=（P（B | A）⋅P（A））/（P（B）） 用户定义的算法来执行高斯朴素贝叶斯算法（用于数值数据处理） 此数据集的基于概率的概念高斯朴素贝叶斯公式，原因是数据呈正态分布¶使用的公式： f（x）=（1 /（sd * sq

机器学习算法 该存储库包含一系列Jupyter笔记本，这些笔记本从头开始实现常用的ML算法。 即，使用统计python软件包的限制。 它们部分基于我作为课程的一部分而开设的课程。 这些笔记本对我非常有用，有助于他们直观地了解这些算法的工作原理，以及使用scikit-learn和statsmodels之类的程序包时幕后发生的事情。 如上所示，我根据算法的类型将笔记本分为三个文件夹： 回归 聚类 其他：此文件夹包含用于二进制决策树和本地敏感度哈希（LSH）的笔记本。 这些笔记本中使用的数据可应