arnaldog12 / machine_learning Goto Github PK

Estou pensando em normalizar a estrutura dos notebooks para facilitar o ensino e aprendizagem dos algoritmos implementados. A minha ideia inicial é que todos os notebook sejam organizados da seguinte forma:

0. Dependências: irá conter todos os imports do notebook. Assim, quem rodar a primeira célula, já saberá se há alguma dependência faltando ou não
1. Introdução: explicará sobre o histórico do algoritmo sendo implementado, além de sua definição, vantagens/desvatagens, e comparação com outros algoritmos
2. Implementação: do algoritmo. Pretendo reescrever todos como uma classe com os métodos fit e predict, seguindo o padrão do scikit-learn.
3. Teste: teste e comparação do algoritmo com a implementação do scikit-learn
Referências: link para os materiais utilizados na construção do notebook.

O SVM é um dos poucos algoritmos que ainda falta implementar e eu gostaria de tê-lo no repositório.

A implementação do LDA deste repositório está bem próxima do resultado do scikit-learn. Na prática, os componentes selecionados no teste estão exatamente iguais, tornando o resultado igual. Entretanto, o restante dos autovalores e autovetores estão diferentes. Alguém poderia me ajudar nisso?

A implementação original do scikit-learn pode ser conferida nesse link.

Falta terminar de implementar o algoritmo Naive Bayes