机器学习

• 英文版
  

原创文章每周最少两篇，后续最新文章会在【公众号】首发，视频【B站】首发，大家可以加我【微信】进交流群，技术交流或提意见都可以，欢迎Star！

文章首发声明

• 文章在自己的公众号和个人网站首发，其他平台文章均属转发，如想获得最新更新进展，欢迎关注我的个人网站：http://cuijiahua.com/

第二章：kNN（k-邻域算法）

文章	个人网站	CSDN	知乎
Python3《机器学习实战》学习笔记(一)：k-近邻算法(史诗级干货长文)	个人网站	CSDN	知乎

代码

• 1.简单k-NN

• 2.海伦约会

• 3.数字识别

第三章：Decision Tree（决策树）

文章	个人网站	CSDN	知乎
Python3《机器学习实战》学习笔记(二)：决策树基础篇之让我们从相亲说起	个人网站	CSDN	知乎
Python3《机器学习实战》学习笔记(三)：决策树实战篇之为自己配个隐形眼镜	个人网站	CSDN	知乎

代码

• 1.贷款预测

• 2.隐形眼镜

第四章：Navie Bayes（朴素贝叶斯）

文章	个人网站	CSDN	知乎
Python3《机器学习实战》学习笔记（四）：朴素贝叶斯基础篇之言论过滤器	个人网站	CSDN	知乎
Python3《机器学习实战》学习笔记（五）：朴素贝叶斯实战篇之新浪新闻分类	个人网站	CSDN	知乎

代码

• 1.言论过滤器

• 2.垃圾邮件过滤器

• 3.新浪新闻分类器

第五章：Logistic（Logistic回归）

文章	个人网站	CSDN	知乎
Python3《机器学习实战》学习笔记（六）：Logistic回归基础篇之梯度上升算法	个人网站	CSDN	知乎
Python3《机器学习实战》学习笔记（七）：Logistic回归实战篇之预测病马死亡率	个人网站	CSDN	知乎

代码

• 1.Logistic基础训练

• 2.改进的随机梯度上升算法

• 3.病马死亡率预测

第六章：SVM（支持向量机）

文章	个人网站	CSDN	知乎
Python3《机器学习实战》学习笔记（八）：支持向量机原理篇之手撕线性SVM	个人网站	CSDN	知乎
Python3《机器学习实战》学习笔记（九）：支持向量机实战篇之再撕非线性SVM	个人网站	CSDN	知乎

代码

• 1.简化版SMO算法

• 2.完整版SMO算法

• 3.非线性SVM

• 4.Sklearn SVC手写数字识别

第七章：AdaBoost

文章	个人网站	CSDN	知乎
Python3《机器学习实战》学习笔记（十）：提升分类器性能利器-AdaBoost	个人网站	CSDN	知乎

代码

• 1.基于单层决策树的AdaBoost训练过程

• 2.在难数据集上应用AdaBoost

• 3.sklearn实现AdaBoost

• 4.ROC曲线绘制

第八章：回归

文章	个人网站	CSDN	知乎
Python3《机器学习实战》学习笔记（十一）：线性回归基础篇之预测鲍鱼年龄	个人网站	CSDN	知乎
Python3《机器学习实战》学习笔记（十二）：线性回归提高篇之乐高玩具套件二手价预测	个人网站	无	无

代码

• 1.线性回归(普通线性回归+局部加权线性回归)

• 2.预测鲍鱼年龄

• 3.逐步线性回归

• 4.乐高玩具二手价格预测

第九章：回归树

文章	个人网站	CSDN	知乎
Python3《机器学习实战》学习笔记（十三）：树回归基础篇之CART算法与树剪枝	个人网站	无	无

代码

• 1.树回归

聚类

文章	个人网站	公众号
嘿，来聚个类！	个人网站	公众号

更多精彩，敬请期待！

Machine-Learning 快速上手指南

本仓库是 Jack-Cherish 出品的《机器学习实战》系列教程配套代码，涵盖 kNN、决策树、朴素贝叶斯、逻辑回归、SVM、AdaBoost、线性回归及树回归等经典算法的 Python3 实现。

环境准备

• 操作系统：Windows / macOS / Linux
• Python 版本：推荐 Python 3.6+
• 核心依赖：
  • numpy
  • matplotlib
  • scikit-learn (部分章节使用)

建议国内开发者使用清华源或阿里源安装依赖，以提升下载速度。

安装步骤

1. 克隆项目代码

   git clone https://github.com/Jack-Cherish/Machine-Learning.git
   cd Machine-Learning
   

2. 安装依赖库 如果项目中包含 requirements.txt，请直接运行：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   若无该文件，请手动安装核心库：

   pip install numpy matplotlib scikit-learn -i https://pypi.tuna.tsinghua.edu.cn/simple
   

基本使用

本仓库按算法章节分类存放代码。以下以 第二章：kNN（k-近邻算法） 中的“简单 k-NN"为例演示运行方法。

1. 进入对应章节目录

   cd kNN/1.简单 k-NN
   

2. 运行示例代码 直接执行 Python 脚本即可看到算法运行结果（如分类测试或数据可视化）：

   python kNN.py
   

   (注：具体文件名请以目录内实际 .py 文件为准，部分章节可能包含多个脚本，如 kNN.py, datingTestSet.py 等)

3. 学习理论内容 代码运行前，建议结合对应的教程文章理解算法原理：

   • 个人网站：k-近邻算法 (史诗级干货长文)
   • CSDN/知乎：可在仓库 README 中找到对应平台的转载链接。

其他章节（如决策树、SVM、AdaBoost 等）使用方法相同，只需进入相应文件夹（如 Decision Tree, SVM, AdaBoost）并运行其中的 .py 脚本即可复现书中的案例。