NapkinMLNumPy 機(jī)器學(xué)習(xí)模型的袖珍實(shí)現(xiàn)

NapkinML 是 NumPy 中機(jī)器學(xué)習(xí)模型的袖珍實(shí)現(xiàn)。

安裝

$ git clone https://github.com/eriklindernoren/NapkinML
$ cd NapkinML
$ sudo python setup.py install

實(shí)現(xiàn)

K-Nearest 最近鄰

class KNN():
    def predict(self, k, Xt, X, y):
        y_pred = np.empty(len(Xt))
        for i, xt in enumerate(Xt):
            idx = np.argsort([np.linalg.norm(x-xt) for x in X])[:k]
            y_pred[i] = np.bincount([y[i] for i in idx]).argmax()
        return y_pred

$ python napkin_ml/examples/knn.py

圖：使用K-Nearest最近鄰的Iris數(shù)據(jù)集的分類。

線性回歸

class LinearRegression():
    def fit(self, X, y):
        self.w = np.linalg.lstsq(X, y, rcond=None)[0]
    def predict(self, X):
        return X.dot(self.w)

$ python napkin_ml/examples/linear_regression.py

圖：線性回歸

線性判別分析

class LDA():
    def fit(self, X, y):
        cov_sum = sum([np.cov(X[y == val], rowvar=False) for val in [0, 1]])
        mean_diff = X[y == 0].mean(0) - X[y == 1].mean(0)
        self.w = np.linalg.inv(cov_sum).dot(mean_diff)
    def predict(self, X):
        return 1 * (X.dot(self.w) < 0)

$ python napkin_ml/examples/lda.py

Logistic 回歸

class LogisticRegression():
    def fit(self, X, y, n_iter=4000, lr=0.01):
        self.w = np.random.rand(X.shape[1])
        for _ in range(n_iter):
            self.w -= lr * (self.predict(X) - y).dot(X)
    def predict(self, X):
        return sigmoid(X.dot(self.w))

$ python napkin_ml/examples/logistic_regression.py

圖：Logistic回歸分類

多層感知器

class MLP():
    def fit(self, X, y, n_epochs=4000, lr=0.01, n_units=10):
        self.w = np.random.rand(X.shape[1], n_units)
        self.v = np.random.rand(n_units, y.shape[1])
        for _ in range(n_epochs):
            h_out = sigmoid(X.dot(self.w))
            out = softmax(h_out.dot(self.v))
            self.v -= lr * h_out.T.dot(out - y)
            self.w -= lr * X.T.dot((out - y).dot(self.v.T) * (h_out * (1 - h_out)))
    def predict(self, X):
        return softmax(sigmoid(X.dot(self.w)).dot(self.v))

$ python napkin_ml/examples/mlp.py

圖：帶有一個(gè)隱藏層的多層感知器對虹膜數(shù)據(jù)集的分類。

主成分分析

class PCA():
    def transform(self, X, dim):
        _, S, V = np.linalg.svd(X - X.mean(0), full_matrices=True)
        idx = S.argsort()[::-1]
        V = V[idx][:dim]
        return X.dot(V.T)

$ python napkin_ml/examples/pca.py

圖：主成分分析降維。