访问官网
Github
文档项目介绍 - ml.js：JavaScript中的机器学习工具
介绍
ml.js 是一个 JavaScript 的机器学习工具库，由 mljs 组织开发和维护。这个库主要为浏览器使用而开发，尽管它也可以在 Node.js 项目中使用。对于 Node.js 用户，建议直接添加所需的库，因为这些库通常在 npm 上更新更频繁。库中的所有 npm 包均以 ml- 开头，方便查找（例如，ml-matrix）。
要在网页中包含 ml.js 库，可以通过以下方式引入：
<script src="https://www.lactame.com/lib/ml/6.0.0/ml.min.js"></script>
引入后，全局变量 ML 即可用。这个包使用 UMD 格式发布。
包含的库列表
无监督学习
- 主成分分析 (PCA)：
ML.PCA - 层次聚类：
ML.HClust - K 均值聚类：
ML.KMeans
监督学习
- 朴素贝叶斯分类器：
ML.NaiveBayes - K 近邻算法 (KNN)：
ML.KNN - 偏最小二乘回归 (PLS)：
ML.PLS - K-OPLS：
ML.KOPLS - 交叉验证：
ML.CrossValidation - 混淆矩阵：
ML.ConfusionMatrix - 决策树分类器：
ML.DecisionTreeClassifier - 随机森林分类器：
ML.RandomForestClassifier
人工神经网络 (ANN)
- 前馈神经网络：
ML.FNN - 自组织映射/科赫网络：
ML.SOM
回归
- 简单线性回归：
ML.SimpleLinearRegression - 多项式回归：
ML.PolynomialRegression - 多变量线性回归：
ML.MultivariateLinearRegression - 幂回归：
ML.PowerRegression - 指数回归：
ML.ExponentialRegression - Theil-Sen 回归：
ML.TheilSenRegression - Robust 多项式回归：
ML.RobustPolynomialRegression - 决策树回归：
ML.DecisionTreeRegression - 随机森林回归：
ML.RandomForestRegression
优化
- Levenberg-Marquardt 算法：
ML.levenbergMarquardt - 快速组合非负最小二乘法：
ML.FCNNLS
数学
- 矩阵类：
ML.Matrix - 奇异值分解 (SVD)：
ML.SVD - 特征值分解 (EVD)：
ML.EVD - 切列斯基分解：
ML.CholeskyDecomposition - LU 分解：
ML.LuDecomposition - QR 分解：
ML.QrDecomposition - 稀疏矩阵：
ML.SparseMatrix - 核函数：
ML.Kernel - 距离函数：
ML.Distance - 相似度函数：
ML.Similarity - 距离矩阵：
ML.distanceMatrix - XORShift-add 随机数生成器：
ML.XSadd - 非负广义形态分量分析：
ML.nGMCA
数组操作
在 ML.Array 和 ML.ArrayXY 中，有多种数组处理功能，如最小值、最大值、平均值、标准差等计算，排序和合并点集，确保 x 值唯一，以及加权合并等操作。
统计
- 性能（ROC 曲线）：
ML.Performance
数据处理
- 主成分分析 (PCA)：
ML.PCA - Savitzky-Golay 滤波器：
ML.savitzkyGolay - 全局光谱解卷积 (GSD)：
ML.GSD
工具
- 位数组操作：
ML.BitArray - 哈希表：
ML.HashTable - 填充数组：
ML.padArray - 二分查找：
ML.binarySearch - 数字比较函数用于排序：
ML.numSort - 随机数生成：
ML.Random
