📝 添加目录树

Author: lawlite19

AnomalyDetection/AnomalyDetection.py

@@ -22,7 +22,7 @@ def anomalyDetection_example():
 
     '''选择异常点（在交叉验证CV上训练得到最好的epsilon）'''
     Xval = data['Xval']
-    yval = data['yval']
+    yval = data['yval']   # y=1代表异常
     pval = multivariateGaussian(Xval, mu, sigma2) # 计算CV上的概率密度值
     epsilon,F1 = selectThreshold(yval,pval)       # 选择最优的epsilon临界值
     print u'在CV上得到的最好的epsilon是：%e'%epsilon

readme.md

@@ -1,6 +1,72 @@
 机器学习算法Python实现
 =========
 
+* [机器学习算法Python实现](#机器学习算法python实现)
+	* [一、线性回归](#一-线性回归)
+		* [1、代价函数](#1-代价函数)
+		* [2、梯度下降算法](#2-梯度下降算法)
+		* [3、均值归一化](#3-均值归一化)
+		* [4、最终运行结果](#4-最终运行结果)
+		* [5、使用scikit-learn库中的线性模型实现](#5-使用scikit-learn库中的线性模型实现)
+	* [二、逻辑回归](#二-逻辑回归)
+		* [1、代价函数](#1-代价函数)
+		* [2、梯度](#2-梯度)
+		* [3、正则化](#3-正则化)
+		* [4、S型函数（即）](#4-s型函数即)
+		* [5、映射为多项式](#5-映射为多项式)
+		* [6、使用的优化方法](#6-使用的优化方法)
+		* [7、运行结果](#7-运行结果)
+		* [8、使用scikit-learn库中的逻辑回归模型实现](#8-使用scikit-learn库中的逻辑回归模型实现)
+	* [逻辑回归_手写数字识别_OneVsAll](#逻辑回归_手写数字识别_onevsall)
+		* [1、随机显示100个数字](#1-随机显示100个数字)
+		* [2、OneVsAll](#2-onevsall)
+		* [3、手写数字识别](#3-手写数字识别)
+		* [4、预测](#4-预测)
+		* [5、运行结果](#5-运行结果)
+		* [6、使用scikit-learn库中的逻辑回归模型实现](#6-使用scikit-learn库中的逻辑回归模型实现)
+	* [三、BP神经网络](#三-bp神经网络)
+		* [1、神经网络model](#1-神经网络model)
+		* [2、代价函数](#2-代价函数)
+		* [3、正则化](#3-正则化)
+		* [4、反向传播BP](#4-反向传播bp)
+		* [5、BP可以求梯度的原因](#5-bp可以求梯度的原因)
+		* [6、梯度检查](#6-梯度检查)
+		* [7、权重的随机初始化](#7-权重的随机初始化)
+		* [8、预测](#8-预测)
+		* [9、输出结果](#9-输出结果)
+	* [四、SVM支持向量机](#四-svm支持向量机)
+		* [1、代价函数](#1-代价函数)
+		* [2、Large Margin](#2-large-margin)
+		* [3、SVM Kernel（核函数）](#3-svm-kernel核函数)
+		* [4、使用中的模型代码](#4-使用中的模型代码)
+		* [5、运行结果](#5-运行结果)
+	* [五、K-Means聚类算法](#五-k-means聚类算法)
+		* [1、聚类过程](#1-聚类过程)
+		* [2、目标函数](#2-目标函数)
+		* [3、聚类中心的选择](#3-聚类中心的选择)
+		* [4、聚类个数K的选择](#4-聚类个数k的选择)
+		* [5、应用——图片压缩](#5-应用图片压缩)
+		* [6、使用scikit-learn库中的线性模型实现聚类](#6-使用scikit-learn库中的线性模型实现聚类)
+		* [7、运行结果](#7-运行结果)
+	* [六、PCA主成分分析（降维）](#六-pca主成分分析降维)
+		* [1、用处](#1-用处)
+		* [2、2D-->1D，nD-->kD](#2-2d-1dnd-kd)
+		* [3、主成分分析PCA与线性回归的区别](#3-主成分分析pca与线性回归的区别)
+		* [4、PCA降维过程](#4-pca降维过程)
+		* [5、数据恢复](#5-数据恢复)
+		* [6、主成分个数的选择（即要降的维度）](#6-主成分个数的选择即要降的维度)
+		* [7、使用建议](#7-使用建议)
+		* [8、运行结果](#8-运行结果)
+		* [9、使用scikit-learn库中的PCA实现降维](#9-使用scikit-learn库中的pca实现降维)
+	* [七、异常检测 Anomaly Detection](#七-异常检测-anomaly-detection)
+		* [1、高斯分布（正态分布）](#1-高斯分布正态分布)
+		* [2、异常检测算法](#2-异常检测算法)
+		* [3、评价的好坏，以及的选取](#3-评价的好坏以及的选取)
+		* [4、选择使用什么样的feature（单元高斯分布）](#4-选择使用什么样的feature单元高斯分布)
+		* [5、多元高斯分布](#5-多元高斯分布)
+		* [6、单元和多元高斯分布特点](#6-单元和多元高斯分布特点)
+		* [7、程序运行结果](#7-程序运行结果)
+
 ## 一、[线性回归](/LinearRegression)
 - [全部代码](/LinearRegression/LinearRegression.py)
 
@@ -1218,4 +1284,4 @@ def multivariateGaussian(X,mu,Sigma2):
   [55]: ./images/AnomalyDetection_06.png "AnomalyDetection_06.png"
   [56]: ./images/AnomalyDetection_08.png "AnomalyDetection_08.png"
   [57]: ./images/AnomalyDetection_09.png "AnomalyDetection_09.png"
-  [58]: ./images/AnomalyDetection_10.png "AnomalyDetection_10.png"
+  [58]: ./images/AnomalyDetection_10.png "AnomalyDetection_10.png"