Algorithms:各种算法思想的个人实现。 主要与机器学习有关 源码

演算法 关于 只是一些众所周知的算法及其实现。 这些不一定是计算效率最高或最佳的算法。 相反,它们旨在以一种希望可消化和透明的方式来介绍这些思想的机制和例程。 目录 散列: 最小计数草图数据结构 :一种概率数据结构,它用作数据流中的事件频率表,使用亚线性空间,但以过度计算某些事件为代价。 局部最小优化: Lasso回归的坐标下降 :Lasso回归通过L1范数执行变量选择和正则化。 坐标下降是此计算的最新技术,一次更新每个特征。 用于岭回归的梯度下降 :用于岭回归的梯度下降是用于找到岭回归目标的局部最小值的一阶迭代优化算法。 岭回归的随机梯度下降 :随机梯度下降与梯度下降具有相同的思想,但每次迭代时将在数据的随机子集上计算梯度。 降维: 主成分分析 :主成分分析(PCA)是一种无监督的线性技术,用于减少数据集的维数。 主成分向量是在将数据投影到数据后将其方差最大化的向量。