当前位置: 首页 > article >正文

从零实现5大机器学习基础算法:Python代码与数学推导

1. 从零实现机器学习基础算法的必要性在机器学习领域调用现成的库如scikit-learn固然方便但真正理解算法本质的开发者都会选择自己动手实现一遍。这就像学习烹饪时从切菜开始准备食材比直接使用预制菜更能掌握料理的精髓。自己动手实现基础算法有三个不可替代的价值深入理解数学原理每个公式都会转化为具体的代码逻辑掌握实现细节了解算法在各种边界条件下的表现培养工程能力从理论到实践的完整闭环训练Python作为机器学习的主流语言其清晰的语法和丰富的科学计算生态NumPy、Matplotlib特别适合用来实现这些算法。下面我将带您完整实现5个最基础的机器学习算法包括它们的数学推导和Python实现技巧。2. 准备工作与环境搭建2.1 基础工具链配置推荐使用Python 3.8环境这是目前最稳定的版本。我们需要以下基础库pip install numpy matplotlib注意虽然可以单独实现所有数学运算但使用NumPy不仅能提高性能其API设计也更贴近数学表达形式方便我们验证实现的正确性。2.2 测试数据集准备为了方便验证算法效果我们准备两个经典数据集线性回归测试数据使用正弦函数加噪声生成def make_regression_data(n_samples100): X np.linspace(0, 2*np.pi, n_samples) y np.sin(X) np.random.normal(0, 0.1, n_samples) return X.reshape(-1,1), y分类测试数据使用sklearn的make_classification生成仅用于测试不用于算法实现from sklearn.datasets import make_classification X, y make_classification(n_features2, n_redundant0, n_informative2)3. 线性回归实现3.1 数学原理推导普通最小二乘法(OLS)的目标是最小化残差平方和 $$ \min_w |Xw - y|_2^2 $$其解析解为 $$ w (X^TX)^{-1}X^Ty $$3.2 Python实现代码class LinearRegression: def __init__(self): self.w None def fit(self, X, y): # 添加偏置项 X np.hstack([np.ones((X.shape[0], 1)), X]) # 计算解析解 self.w np.linalg.inv(X.T X) X.T y def predict(self, X): X np.hstack([np.ones((X.shape[0], 1)), X]) return X self.w3.3 梯度下降实现当数据量较大时可以使用梯度下降法def fit_gd(self, X, y, lr0.01, n_iters1000): X np.hstack([np.ones((X.shape[0], 1)), X]) self.w np.zeros(X.shape[1]) for _ in range(n_iters): grad 2 * X.T (X self.w - y) / len(y) self.w - lr * grad实操技巧学习率(lr)通常从0.01开始尝试观察损失函数下降曲线调整4. 逻辑回归实现4.1 Sigmoid函数与决策边界逻辑回归使用sigmoid函数将线性输出映射到(0,1)区间 $$ \sigma(z) \frac{1}{1e^{-z}} $$决策边界为 $$ w^Tx b 0 $$4.2 交叉熵损失函数损失函数定义为 $$ J(w) -\frac{1}{m}\sum_{i1}^m [y^{(i)}\log(h(x^{(i)})) (1-y^{(i)})\log(1-h(x^{(i)}))] $$其梯度为 $$ \nabla_w J(w) \frac{1}{m}X^T(\sigma(Xw) - y) $$4.3 Python实现class LogisticRegression: def __init__(self, lr0.01, n_iters1000): self.lr lr self.n_iters n_iters self.w None def _sigmoid(self, z): return 1 / (1 np.exp(-z)) def fit(self, X, y): X np.hstack([np.ones((X.shape[0], 1)), X]) self.w np.zeros(X.shape[1]) for _ in range(self.n_iters): z X self.w h self._sigmoid(z) grad X.T (h - y) / len(y) self.w - self.lr * grad def predict_proba(self, X): X np.hstack([np.ones((X.shape[0], 1)), X]) return self._sigmoid(X self.w) def predict(self, X, threshold0.5): return (self.predict_proba(X) threshold).astype(int)5. K近邻算法实现5.1 距离度量选择常用的距离度量包括欧式距离$\sqrt{\sum_{i1}^n (x_i - y_i)^2}$曼哈顿距离$\sum_{i1}^n |x_i - y_i|$余弦相似度$\frac{x \cdot y}{|x||y|}$5.2 投票机制实现class KNN: def __init__(self, k3, metriceuclidean): self.k k self.metric metric def _distance(self, a, b): if self.metric euclidean: return np.sqrt(np.sum((a - b)**2)) elif self.metric manhattan: return np.sum(np.abs(a - b)) def fit(self, X, y): self.X_train X self.y_train y def predict(self, X): preds [] for x in X: # 计算所有训练样本的距离 distances [self._distance(x, x_train) for x_train in self.X_train] # 获取最近的k个样本索引 k_indices np.argsort(distances)[:self.k] # 获取对应标签 k_labels self.y_train[k_indices] # 多数投票 pred np.bincount(k_labels).argmax() preds.append(pred) return np.array(preds)性能优化提示对于大数据集可以使用KD树或Ball树加速近邻搜索6. 朴素贝叶斯实现6.1 概率计算公式对于分类问题我们需要计算 $$ P(y|x_1,...,x_n) \frac{P(y)P(x_1|y)...P(x_n|y)}{P(x_1,...,x_n)} $$由于分母相同比较分子即可 $$ \hat{y} \arg\max_y P(y)\prod_{i1}^n P(x_i|y) $$6.2 高斯朴素贝叶斯实现class GaussianNB: def __init__(self): self.class_priors None self.class_means None self.class_vars None def fit(self, X, y): self.classes np.unique(y) n_classes len(self.classes) n_features X.shape[1] self.class_priors np.zeros(n_classes) self.class_means np.zeros((n_classes, n_features)) self.class_vars np.zeros((n_classes, n_features)) for i, c in enumerate(self.classes): X_c X[y c] self.class_priors[i] len(X_c) / len(X) self.class_means[i] X_c.mean(axis0) self.class_vars[i] X_c.var(axis0) def _gaussian_pdf(self, x, mean, var): return np.exp(-(x - mean)**2 / (2 * var)) / np.sqrt(2 * np.pi * var) def predict(self, X): posteriors [] for i, c in enumerate(self.classes): prior np.log(self.class_priors[i]) likelihood np.sum(np.log(self._gaussian_pdf(X, self.class_means[i], self.class_vars[i])), axis1) posterior prior likelihood posteriors.append(posterior) return self.classes[np.argmax(np.array(posteriors), axis0)]7. 决策树实现7.1 信息增益计算使用信息增益选择最佳分割特征 $$ IG(D_p, f) I(D_p) - \sum_{j1}^m \frac{N_j}{N_p}I(D_j) $$其中$I$可以是基尼系数或熵基尼系数$I_G(t) 1 - \sum_{i1}^c p(i|t)^2$熵$I_E(t) -\sum_{i1}^c p(i|t)\log_2 p(i|t)$7.2 递归构建决策树class DecisionTree: def __init__(self, max_depthNone, criteriongini): self.max_depth max_depth self.criterion criterion self.tree None def _gini(self, y): _, counts np.unique(y, return_countsTrue) probs counts / len(y) return 1 - np.sum(probs**2) def _entropy(self, y): _, counts np.unique(y, return_countsTrue) probs counts / len(y) return -np.sum(probs * np.log2(probs)) def _information_gain(self, X_col, y, split_threshold): parent_impurity self._gini(y) if self.criterion gini else self._entropy(y) left_idx X_col split_threshold right_idx X_col split_threshold n, n_left, n_right len(y), sum(left_idx), sum(right_idx) if n_left 0 or n_right 0: return 0 child_impurity (n_left/n)*self._gini(y[left_idx]) (n_right/n)*self._gini(y[right_idx]) \ if self.criterion gini else \ (n_left/n)*self._entropy(y[left_idx]) (n_right/n)*self._entropy(y[right_idx]) return parent_impurity - child_impurity def _best_split(self, X, y): best_gain -1 best_feature, best_threshold None, None for feature_idx in range(X.shape[1]): X_col X[:, feature_idx] thresholds np.unique(X_col) for threshold in thresholds: gain self._information_gain(X_col, y, threshold) if gain best_gain: best_gain gain best_feature feature_idx best_threshold threshold return best_feature, best_threshold def _build_tree(self, X, y, depth0): n_samples, n_features X.shape n_classes len(np.unique(y)) # 终止条件 if (self.max_depth is not None and depth self.max_depth) or n_classes 1: return {class: np.bincount(y).argmax()} # 寻找最佳分割 feature, threshold self._best_split(X, y) if feature is None: return {class: np.bincount(y).argmax()} # 递归构建子树 left_idx X[:, feature] threshold right_idx X[:, feature] threshold left_subtree self._build_tree(X[left_idx], y[left_idx], depth1) right_subtree self._build_tree(X[right_idx], y[right_idx], depth1) return { feature: feature, threshold: threshold, left: left_subtree, right: right_subtree } def fit(self, X, y): self.tree self._build_tree(X, y) def _predict_sample(self, x, node): if class in node: return node[class] if x[node[feature]] node[threshold]: return self._predict_sample(x, node[left]) else: return self._predict_sample(x, node[right]) def predict(self, X): return np.array([self._predict_sample(x, self.tree) for x in X])8. 算法评估与比较8.1 评估指标实现def accuracy_score(y_true, y_pred): return np.sum(y_true y_pred) / len(y_true) def mean_squared_error(y_true, y_pred): return np.mean((y_true - y_pred)**2)8.2 交叉验证实现def cross_val_score(model, X, y, cv5, scoringaccuracy): n_samples len(X) fold_size n_samples // cv indices np.arange(n_samples) np.random.shuffle(indices) scores [] for i in range(cv): start i * fold_size end (i 1) * fold_size if i ! cv - 1 else n_samples test_idx indices[start:end] train_idx np.concatenate([indices[:start], indices[end:]]) X_train, X_test X[train_idx], X[test_idx] y_train, y_test y[train_idx], y[test_idx] model.fit(X_train, y_train) y_pred model.predict(X_test) if scoring accuracy: score accuracy_score(y_test, y_pred) elif scoring mse: score mean_squared_error(y_test, y_pred) scores.append(score) return np.array(scores)9. 工程实践中的优化技巧9.1 数值稳定性处理在逻辑回归中sigmoid函数可以改写为数值稳定的版本def _sigmoid(self, z): # 防止数值溢出 z np.clip(z, -500, 500) return 1 / (1 np.exp(-z))9.2 向量化计算优化以线性回归为例矩阵运算比循环快100倍以上# 不好的实现 def predict(self, X): return np.array([np.dot(x, self.w) for x in X]) # 好的实现 def predict(self, X): return X self.w9.3 超参数调优策略实现简单的网格搜索def grid_search(model, X, y, param_grid, cv5): best_score -np.inf best_params None # 生成参数组合 keys, values zip(*param_grid.items()) for params in itertools.product(*values): params_dict dict(zip(keys, params)) model.set_params(**params_dict) scores cross_val_score(model, X, y, cvcv) mean_score np.mean(scores) if mean_score best_score: best_score mean_score best_params params_dict return best_params, best_score10. 扩展与进阶方向掌握了这些基础算法实现后可以考虑以下进阶方向正则化实现为线性回归和逻辑回归添加L1/L2正则化项多分类扩展改造逻辑回归为softmax回归核方法实现为SVM添加核函数支持集成方法基于决策树实现随机森林和GBDT神经网络从零实现多层感知机每个算法的完整实现通常需要考虑更多工程细节比如异常值处理缺失值处理类别不平衡处理在线学习支持并行计算优化这些实现虽然比直接调用库更复杂但对理解算法本质和提升工程能力有着不可替代的作用。建议读者在理解本文代码的基础上尝试为每个算法添加更多功能和优化。

相关文章:

从零实现5大机器学习基础算法:Python代码与数学推导

1. 从零实现机器学习基础算法的必要性在机器学习领域,调用现成的库(如scikit-learn)固然方便,但真正理解算法本质的开发者都会选择自己动手实现一遍。这就像学习烹饪时,从切菜开始准备食材比直接使用预制菜更能掌握料理…...

从‘像素’到‘3D模型’:手把手拆解David Marr视觉四层描述,理解CV任务本质

从像素到三维世界:用David Marr视觉理论重构计算机视觉认知框架 1982年出版的《视觉计算理论》中,David Marr提出的视觉处理层次模型,至今仍是理解计算机视觉任务本质的黄金标准。这位将神经科学、心理学与计算机科学交叉融合的天才学者&…...

数字孪生AI赋能智慧社区:从概念到落地的全景指南

数字孪生AI赋能智慧社区:从概念到落地的全景指南 引言 在数字化转型浪潮下,智慧社区正从简单的设备联网迈向虚实融合的智能新阶段。数字孪生(Digital Twin)与人工智能(AI)的结合,为社区治理、…...

AI Agent Harness日志体系:可追溯性设计

AI Agent Harness日志体系全解密:从零搭建全链路可追溯能力,让每一次Agent决策都有迹可循 关键词 AI Agent、Harness日志体系、可追溯性、全链路追踪、分布式日志、决策审计、故障根因分析 摘要 随着AI Agent从单场景原型落地到企业级多Agent协作生产系统,「决策黑盒」「…...

数字孪生AI赋能智慧商圈:从概念到落地的全解析

数字孪生AI赋能智慧商圈:从概念到落地的全解析 引言 在数字化转型浪潮下,传统的商业空间正经历一场深刻的智能化变革。数字孪生与人工智能的结合,为“智慧商圈”的构建提供了全新的技术范式。它不再仅仅是简单的线上地图或监控大屏&#xf…...

不用C、不用Verilog!用Ada点亮LED,这才是Zynq的“另一种打开方式”

当你还在用C语言写GPIO、用Verilog连LED的时候,有人已经开始用一门“冷门但强大”的语言——Ada,在Zynq上点灯了。1.1 设置 EMIO 允许PS控制 LED在 Zedboard 上,LED 只能通过可编程逻辑 (PL)(FPGA)端进行控制&#xff…...

港科夜闻|香港科大于THE亚洲大学排名2026位列第12位,彰显顶尖亚洲大学地位

关注并星标 每周阅读港科夜闻 建立新视野 开启新思维 1、在最新公布的2026年泰晤士高等教育(THE)亚洲大学排名中,香港科技大学位列亚洲第十二位,充分展现香港科大在蓬勃发展的亚洲高等教育界中站稳领先位置。作为一所扎根亚洲、放…...

统计学与机器学习:差异、融合与应用实践

1. 应用统计学与机器学习的紧密关系解析作为一名在数据科学领域工作多年的从业者,我经常被问到统计学和机器学习之间究竟有什么区别。简单来说,它们就像一对孪生兄弟——有着相同的基因却表现出不同的性格特征。统计学更注重理论严谨性和模型解释性&…...

港科大DeepTech 20| AI驱动的自动化智能正畸治疗方案设计系统

AI驱动的自动化智能正畸治疗方案设计系统 主要研究者:陈浩教授 技术成熟度:TRL 6技术成熟度(Technology Readiness Level,TRL)是一个用来评估技术方案从概念阶段到实际应用阶段的成熟程度和风险水平的系统方法&#xf…...

以线性代数的行列式理解数学应用备忘

线性代数 是什么?12 AI Logo DeepSeek-V3.2 04-24 02:37 线性代数是高等学校各专业学生的一门必修的基础理论课,主要阐述代数学中线性关系的经典理论。它广泛应用于科学技术的各个领域,是学生学习后继课程以及从事科学研究、工程技术与管理工…...

直方图梯度提升算法原理与工程实践

1. 直方图梯度提升集成方法解析梯度提升决策树(GBDT)作为机器学习中的常青树算法,在各类数据竞赛和工业实践中持续展现强大性能。传统GBDT实现需要对每个特征的所有可能分割点进行遍历计算,当面对高基数特征或大规模数据集时,这种精确查找方式…...

WeDLM-7B-BBase助力开源:自动为OpenSource项目生成高质量README与文档

WeDLM-7B-BBase助力开源:自动为OpenSource项目生成高质量README与文档 1. 开源项目的文档困境 每个开源项目维护者都深有体会:写代码容易,写文档难。当你花了几周时间开发出一个功能强大的开源项目,最后却要花同样多的时间来撰写…...

Mega:为AI智能体设计的单体仓库引擎,重塑代码协作范式

1. 项目概述:为AI智能体时代而生的单体仓库引擎如果你和我一样,在过去一年里深度体验过各种AI编程助手,从GitHub Copilot到Cursor,再到尝试用Claude或GPT-4来生成和修改代码,你一定会遇到一个核心痛点:上下…...

AgentHeroes:AI角色生成与内容自动化工作流平台全解析

1. 项目概述与核心价值最近在折腾AI内容生成的朋友,应该都遇到过类似的痛点:好不容易用Stable Diffusion或者Midjourney跑出一个满意的角色形象,想让它动起来、甚至批量生成内容发布到社交媒体,却发现每一步都卡在不同的工具和平台…...

深度学习归一化技术:原理与TensorFlow实践

1. 深度学习模型中的归一化层:原理与实践在构建深度学习模型时,我们经常听到一个建议:对输入数据进行标准化或归一化处理。但归一化究竟是什么?为什么它能提升模型性能?更重要的是,如何在深度神经网络中有效…...

CAD安装避坑指南:为什么你的AutoCAD2022总是安装失败?

AutoCAD 2022安装全流程避坑手册:从失败到成功的实战解析 每次打开那个熟悉的安装包,进度条却总在某个节点戛然而止——这可能是许多CAD使用者共同的噩梦。作为设计领域的核心工具,AutoCAD的安装过程看似简单,实则暗藏玄机。本文…...

别再让系统意外关机了!手把手教你用滞回比较器设计一个抗干扰的掉电检测电路

滞回比较器实战:打造工业级抗干扰掉电检测电路 当你的嵌入式设备在工厂车间突然重启,或是车载系统在颠簸路段意外关机时,背后往往隐藏着电源系统的致命弱点——传统掉电检测电路在噪声环境下的脆弱表现。本文将带你从工程实践角度&#xff0c…...

别再直接改/etc/sudoers了!用visudo命令的正确姿势与安全配置详解

为什么直接修改/etc/sudoers是危险的?深入解析visudo的安全机制与实战技巧 在Linux系统管理中,sudo权限的配置是每个管理员都无法回避的核心任务。许多新手管理员习惯性地使用vim或nano直接编辑/etc/sudoers文件,却不知道这个看似便捷的操作背…...

解决Socket图像传输中断问题:基于分块接收与可靠发送的完整教程

...

Logstash配置避坑指南:手把手教你解析华为、H3C、Cisco交换机日志的Grok正则怎么写

Logstash配置避坑指南:手把手教你解析华为、H3C、Cisco交换机日志的Grok正则怎么写 当你第一次尝试用Logstash解析网络设备日志时,可能会遇到这样的情况:配置文件看起来一切正常,但日志字段就是解析不出来,或者解析结…...

超好用的截图工具——Snipaste

文章目录超好用的截图工具——Snipaste核心定位安全下载极简安装与基础配置(1分钟搞定)安装开机自启核心快捷键关闭不必要的提醒核心功能全流程实操① 基础截图 标注② 灵魂功能——贴图(效率核心)典型使用场景超好用的截图工具—…...

终极Tiled插件开发指南:30分钟打造专属游戏地图导出器

终极Tiled插件开发指南:30分钟打造专属游戏地图导出器 【免费下载链接】tiled Flexible level editor 项目地址: https://gitcode.com/gh_mirrors/ti/tiled 还在为游戏引擎不兼容Tiled地图格式而烦恼吗?还在手动转换地图数据浪费宝贵开发时间吗&a…...

土耳其新能源新政实施,中土贸易迎来哪些风口

土耳其新能源新政落地,风光储产业扩容,中土贸易迎来新风口。一、土耳其新能源新政核心内容是什么近期土耳其出台多项新能源扶持新政,全面加速本土绿色能源转型,风光、储能、新能源产业迎来大规模扩容。依托优越的欧亚区位优势&…...

AI 深度研究工具的闭源隐形代价:Onyx + CrewAI + Voxtral 自托管栈的实战路径

过去两年,我亲眼看着团队把所有复杂研究任务扔给 ChatGPT Deep Research、Claude 或 Perplexity,结果每次输出都“看起来很专业”,但真正需要审计合规、保护 IP 或满足数据驻留要求时,大家却集体沉默。查询日志、索引数据、审计权…...

土耳其包装市场需求缺口分析

土耳其包装市场正迎来设备更新、原料替代与环保转型三大风口,中国企业出海机遇显著,但需精准把握市场缺口,规避潜在风险。缺口一:设备缺口土耳其包装行业正处于大规模设备更新周期,90%的注塑机依赖进口,中国…...

企业级WLAN部署与安全优化实战指南

1. 企业级WLAN部署核心架构解析现代企业无线网络已从简单的"有线替代"演变为支撑移动办公的关键基础设施。根据IDC最新调研数据,采用系统化部署方案的企业WLAN网络,员工生产力平均提升27%,会议室利用率提高40%。要实现这些效益&…...

Stacking集成学习:提升机器学习模型性能的实战技巧

1. 集成学习与Stacking方法概述在机器学习实践中,单个模型往往存在性能瓶颈。Stacking(堆叠泛化)作为一种高级集成技术,通过分层组合多个基学习器的预测结果,能够显著提升模型表现。与简单的投票或平均法不同&#xff…...

BERT模型解析:原理、变种与实践指南

1. BERT模型基础解析BERT(Bidirectional Encoder Representations from Transformers)是2018年由Google推出的基于Transformer架构的自然语言处理模型。与传统的单向语言模型不同,BERT采用双向训练机制,使其能够同时利用上下文信息…...

Morefine M600 6900HX迷你主机深度评测与性能分析

1. 开箱与硬件解析:Morefine M600 6900HX迷你主机的工业设计当我第一次拿到Morefine M600 6900HX时,最直观的感受就是其紧凑的尺寸与扎实的做工。这款三围仅14914540mm的金属方盒,重量控制在860g左右,比多数教科书还要小巧。全金属…...

分布式量子计算中的多体纠缠与全局门技术

1. 分布式量子计算中的多体纠缠基础量子计算领域近年来最激动人心的突破之一,就是多量子比特系统的协同控制能力。作为一名长期跟踪量子硬件发展的研究者,我亲眼见证了从最初的两个量子比特纠缠到如今数十个量子比特系统的演进过程。在这个过程中&#x…...