ML-Learning-Notes

我个人的机器学习（Machine Learning）学习笔记与示例代码仓库。附带图示与实践脚本，便于系统化自学与复盘。

项目亮点

• 系统化笔记：从概念到算法到建模流程，结构清晰
• 可运行示例：配套 Python 脚本，直接上手训练与评估
• 图文结合：Markdown + 图片资源，帮助理解关键概念

目录结构

• notes/ 章节笔记（Markdown）
• ipynb/ 章节笔记（Jupyter Notebook），内容与 notes/ 相同
• assets/ 每章配图与示例资源
• LICENSE 项目许可证（GPL-3.0）

环境要求

• Python 3.8+（推荐使用 Anaconda 管理环境）
• 主要依赖：
  • scikit-learn
  • numpy
  • pandas
  • matplotlib

安装示例：

pip install scikit-learn numpy pandas matplotlib

快速开始

1. 阅读笔记

   • 在 notes/ 目录中按序浏览，例如：01_机器学习概述.md、02_KNN算法（K-近邻算法）.md

2. 运行示例代码（以鸢尾花 KNN 分类为例）

   • 脚本位置：assets/02_KNN算法（K-近邻算法）_assets/利用KNN算法对鸢尾花分类/03_KNN算法_鸢尾花案例.py

python assets/02_KNN算法（K-近邻算法）_assets/利用KNN算法对鸢尾花分类/03_KNN算法_鸢尾花案例.py

该脚本演示：

• 加载数据集（Iris）
• 标准化特征（StandardScaler）
• 训练 KNN 模型并评估准确率（score/accuracy）
• 对自定义数据进行分类与概率输出（predict/predict_proba）

3. 探索更多脚本
   • 特征预处理：01_特征预处理_归一化操作.py、02_特征预处理_标准化操作.py
   • 调参与验证：04_网格搜索和交叉验证.py（GridSearchCV + 交叉验证）

推荐使用方式

• Markdown 阅读：Obsidian、Typora 等工具均可良好展示图片与链接
• 代码运行：建议创建独立虚拟环境，按需安装依赖，逐个脚本实践
• 图片引用：本仓库使用相对路径，确保在仓库根目录打开与预览

常见问题

• 图片不显示：请确保以仓库根目录为工作路径，或使用支持相对路径的编辑器
• 依赖缺失：按上文安装依赖；若使用 Anaconda，请在对应环境下执行安装命令
• 中文路径：部分系统/终端对中文路径支持不一致，建议在支持 UTF-8 的终端运行

命名与约定

• 章节文件名：NN_主题.md（例如：01_机器学习概述.md）
• 资源目录名：NN_主题_assets
• 图片与资源放置在对应章节的 assets/ 子目录中，并用相对路径引用（例如：../assets/01_机器学习概述_assets/image.png）

贡献

• 欢迎提出 Issue 或提交 PR（修正错别字、补充示例、完善说明等）
• 建议遵循清晰的提交信息与简洁的修改范围，便于审阅与合并

许可证

本项目使用 GPL-3.0 许可证，详情见 LICENSE。

致谢与参考

• 感谢 黑马程序员 提供的机器学习课程，提供了宝贵的学习资源
• 感谢 scikit-learn 官方文档 提供的详细说明与示例代码