Machine Learning Algorithms Collection

机器学习算法实现集合，包含基础机器学习、深度学习和强化学习三大类算法的完整实现，配套详细文档和实验结果。

📚 项目结构

MachineLearning/
├── BasicLearning/              # 基础机器学习算法
│   ├── Classification/          # 分类任务
│   └── Regression/              # 回归任务
├── ReinforcementLearning/       # 强化学习算法
│   ├── DQN/                     # DQN算法实现
│   ├── DDQN/                    # DDQN算法实现
│   ├── OPE/                     # 离线策略评估算法实现
│   └── results/                 # 公共实验结果目录
├── Documents/                   # 所有文档资源（Markdown格式）
├── .gitignore                   # Git忽略配置
├── CHANGELOG.md                 # 版本变更记录
└── README.md                    # 项目说明文档

✨ 已实现算法

Basic Learning 基础机器学习

算法	任务	数据集	说明
CNN分类器	图像分类	FashionMNIST	基于卷积神经网络的服装图像分类
线性回归/深度回归	回归预测	合成数据集	对比线性模型和深度神经网络的回归效果

Reinforcement Learning 强化学习

算法	支持环境	说明
DQN	CartPole-v1, MountainCar-v0	经典深度Q网络实现
DDQN	CartPole-v1, MountainCar-v0	双重DQN算法，解决DQN过估计问题
OPE	Pendulum-v1, Swimmer-v5	离线策略评估算法，包含倒立摆和Swimmer机器人两个完整实验环境和数据集，无需交互即可评估策略性能

🛠️ 环境安装

git clone https://github.com/cimorn/MachineLearning.git
cd MachineLearning

进入对应算法目录安装依赖：

cd <算法目录路径>
pip install -r requirements.txt

🚀 使用方法

进入对应算法目录直接运行主程序：

cd <算法目录路径>
python main.py

📝 目录规范

• 每个算法独立目录存放，包含专属requirements.txt依赖清单
• data/: 数据集目录（已加入.gitignore，无需提交）
• results/: 实验输出结果目录（已加入.gitignore，无需提交）
• 所有算法文档统一存放在根目录Documents/下（Markdown格式）
• 多实验算法（如OPE）按不同环境分子目录独立存放