该包是C. Bishop (PRML)的《模式识别和机器学习》一书中描述的算法的Matlab实现。
此包的回购位于:https://github.com/PRML/PRMLT
如果你发现了一个bug或有一个功能请求,请在那里提交问题。我通常不检查这里的注释。
代码的设计目标如下:
简洁:代码非常简洁。最小化代码行数是最基本的目标之一。因此,算法的核心很容易被发现。
高效:应用了许多使Matlab脚本快速的技巧(例如。矢量化和矩阵分解)。许多函数甚至可以与C实现相媲美。通常,这个包中的函数比提供相同功能的Matlab内置函数(例如。kmeans)。如果有人发现任何Matlab实现比我的更快,我很乐意进一步优化。
鲁棒性:应用了许多数值稳定性技术,如对数尺度概率计算避免数值下溢,对称矩阵的平方根形式更新等。
易于学习:代码有大量注释。PRML书中给出了相应代码行的参考公式。符号与书是同步的。
实用:该软件包的设计不仅易于阅读,而且易于用于促进ML研究。这个包中的许多函数已经被广泛使用(参见Matlab文件交换)。
引用作为
莫陈(2023)。模式识别和机器学习工具箱GitHub (https://github.com/PRML/PRMLT)。检索.
MATLAB版本兼容性
平台的兼容性
窗户 macOS Linux标签
确认
启发:变分贝叶斯线性回归,概率线性回归,稀疏编码的变分贝叶斯相关向量机,贝叶斯压缩感知(稀疏编码)和相关向量机,gram - schmidt正交化,卡尔曼滤波与线性动态系统,内核学习工具箱,EM用于混合伯努利(无监督朴素贝叶斯)聚类二进制数据,演算法,概率主成分分析和因子分析,狄利克雷过程高斯混合模型,对数概率密度函数(PDF),朴素贝叶斯分类器,隐马尔可夫模型工具箱(HMM),反向传播训练的MLP神经网络,Logistic回归分类,成对距离矩阵,Kmeans集群,内核Kmeans,高斯混合模型的EM算法(EM GMM),Kmedoids,标准化互信息,高斯混合模型的变分贝叶斯推理,信息论工具箱
chapter01
chapter02
chapter03
chapter04
chapter05
chapter06
chapter07
chapter08 /磁流变液
chapter08 / NaiveBayes
chapter09
chapter10
chapter11
chapter12
会/嗯
会/摩门教
chapter14
常见的
演示/ ch01
演示/ ch03
演示/ ch04
演示/ ch05
演示/ ch06
演示/ ch07
演示/ ch08
演示/ ch09
演示/ ch10
演示/ ch11
演示/ ch12
演示/ ch13
演示/ ch14
无法下载使用GitHub默认分支的版本
版本 | 发表 | 发布说明 | |
---|---|---|---|
1.0.0.0 | 更新描述 |
|