机器学习、随机优化与搜索
mlrose-reborn的Python项目详细描述
机器学习,随机优化和搜索
mlrose是一个Python包,用于将一些最常见的随机优化和搜索算法应用于一系列不同的优化问题,包括离散和连续值参数空间。在
项目背景
mlrose最初是为了支持乔治亚理工学院OMSC/OMSA提供的CS 7641:机器学习的学生而开发的。在
它包括本课程中教授的所有随机优化算法的实现,以及将这些算法应用于整数字符串优化问题的功能,如N皇后和背包问题;连续值优化问题,如神经网络权重问题;以及旅游优化问题,比如旅行推销员的问题。它还具有解决自定义优化问题的灵活性。在
在开发时,还没有一个单独的Python包将所有这些功能集中在一个位置。在
主要特点
随机优化算法- 实现:爬山、随机爬山、模拟退火、遗传算法和(离散)模拟
- 同时解决最大化和最小化问题
- 定义算法的初始状态或从随机状态开始
- 定义你自己的模拟退火衰变时间表或使用三个预定义的,可定制的衰变时间表之一:几何衰变,算术衰变或指数衰变。在
问题类型
- 解决离散值(位串和整数串)、连续值和旅游优化(旅行推销员)问题
- 为优化定义自己的适应度函数或使用预定义函数。在
- 预先定义的适应度函数用于解决:一个最大值、触发器、四个峰值、六个峰值、连续峰值、背包、旅行推销员、N皇后和Max-K颜色优化问题。在
- 采用随机爬山、模拟退火、遗传算法或梯度下降法优化神经网络、线性回归模型和logistic回归模型的权重
- 支持分类和回归神经网络。在
安装
mlrose是用python3编写的,需要NumPy、SciPy和scikitlearn(sklearn)。在
可以使用pip
安装最新版本:
pip install -e git+git://github.com/hiive/mlrose#egg=mlrose-hiive
文件
官方的mlrose文档可以在here找到。在
还提供了一个包含文档中使用的示例的Jupyter笔记本here。在
授权、作者、致谢
mlrose是由genevievehayes写的,在3-Clause BSD license下发行。在
您可以在mlrose的研究和出版物中引用以下内容:
- Hayes,G.(2019年)。mlrose:Python的机器学习、随机优化和搜索包。https://github.com/gkhayes/mlrose。访问:day month year。在
你可以用类似的方式引用这个叉子,但请务必引用原著。 感谢davids.Park的模拟增强(来自https://github.com/parkds/mlrose)。在
BibTeX入口:
^{pr2}$- 项目
标签: