此包是本书中描述的算法的MATLAB实现:C. Bishop(PRML)的模式识别和机器学习。
此包的仓库位于:https://github.com/PRML/PRMLT
如果你发现一个bug或者有一个特性请求,请在那里提交问题。我通常不会在这里检查评论。
本规范的设计目标如下:
简洁:代码非常简洁。最小化代码行数是原始目标之一。结果,算法的核心可以很容易地点。
高效:应用了用于制作MATLAB脚本的许多技巧(例如,矢量化和矩阵分解)。许多功能甚至与C实现相当。通常,此包中的函数比MATLAB内置函数更快地提供相同的功能(例如kmeans)。如果有人发现任何比我快速的MATLAB实现,我很乐意进一步优化。
鲁棒:应用许多数值稳定性技术,例如日志标度中的概率计算,以避免对称矩阵等的数值下溢,平方根形式更新。
易于学习:代码大量评论。PRML书中的参考公式被指示用于相应的代码行。符号与本书同步。
实用:包装不仅可以轻松阅读,还可以轻松习惯于促进ML研究。此包中的许多函数已被广泛使用(请参阅MATLAB文件交换)。
引用作为
莫陈(2021)。模式识别和机器学习工具箱(https://github.com/prml/prmlt),github。检索到。
Matlab释放兼容性
平台兼容性
视窗 苹果系统 Linux.标签
确认
启发:变分贝叶斯线性回归那概率线性回归那稀疏编码的变分贝叶斯相关矢量机那贝叶斯压缩感知(稀疏编码)和相关向量机那Gram-Schmidt正交化那卡尔曼滤波与线性动态系统那内核学习工具箱那用于聚类二进制数据的混合伯努利(无监督朴素贝叶斯)EM那adaboost.那概率PCA和因子分析那Dirichlet Process高斯混合模型那对数概率密度函数(PDF)那天真的贝叶斯分类器那隐马尔可夫模型工具箱(嗯)那反向传播训练的MLP神经网络那Logistic回归分类那成对距离矩阵那奎尔斯集群那内核Kmeans那高斯混合模型的EM算法(EM GMM)那kыinoids.那规范化的互信息那高斯混合模型的变分贝叶斯推理那信息理论工具箱