(Почти) все самые распространенные алгоритмы машинного обучения в Javascript
Я получил степень магистра инженерии знаний почти десять лет назад. Тогда о науке о данных не было даже слова. Сегодня инженерия знаний была своего рода предшественником науки о данных. Тогда целью было использование систем сборки, которые могли бы облегчить управление знаниями (тогда это было актуально). Мы узнали такие вещи, как обучение на основе правил, простые модели и нейронные сети.
Мои воспоминания о том, что я узнал тогда, довольно туманны.
Но я помню, как узнал, что лучший способ понять, как работает модель, — создать ее простую реализацию с нуля. С таким богатством библиотек, к которым у нас есть доступ сегодня, мы иногда забываем об этом.
Поэтому я подумал, что было бы хорошо просто написать целый набор наиболее распространенных методов машинного обучения с нуля на Javascript, позволить им работать прямо на стороне клиента в браузере и визуализировать их результаты в браузере с помощью D3.js. . Я успел накрыть -
- линейная регрессия
- линейная регрессия со стохастическим градиентным спуском
- логистическая регрессия со стохастическим градиентным спуском
- линейный дискриминантный анализ
- КОРЗИНА
- наивный байес
- классификатор КНН
- Машина опорных векторов
- расфасовка
- повышение
Полный код доступен здесь. Каждый метод находится в отдельном файле .js в папке скриптов.
Моделирование всех этих методов доступно здесь. Поскольку используемые данные генерируются случайным образом, а ряд методов являются стохастическими по своей природе, вы должны видеть разные результаты при каждом обновлении браузера. Вы также можете увидеть все результаты, распечатываемые в консоли браузера.
playgrd.com || facebook.com/playgrdstar || instagram.com/playgrdstar/