KernelML——一种广义机器学习算法

最近，我创造了一个自定义的“粒子优化算法”，并制作了一个叫做KernelML的Python包。创造这种算法是为了给数据分析师和数据科学家提供一个针对复杂损失函数和非线性系数的广义机器学习算法。优化算法通过简单机器学习和概率模拟的组合，使用损失函数、输入和输出矩阵以及随机采样器（可选）来寻找最优参数。目前，我在研究更多功能，希望项目最终能够开源。

使用示例：

以经纬度坐标的聚类问题作为范例，K均值的聚类方法使用欧氏距离来区别观测值。但是，经纬度坐标间的欧氏距离并不能直接映射为Haversine距离。这意味着，如果将0和1之间的坐标进行归一化，则距离无法精确的在聚类模型中得以表示。最好的解决方案就是找到坐标投影，使该点质心的Haversine距离等于欧式空间中的投影距离。

以上坐标变换在聚类解决方案中的缩放和使用，将相对于中心的Havers