硕士小论文对比过的几个算法，有复现的、也有作者提供的，做个备份。场景：多标签数据分类，多标签预测。
- http://waikato.github.io/meka/datasets/
- http://mulan.sourceforge.net/datasets-mlc.html
- https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/
- https://sci2s.ugr.es/keel/multilabel.php
- https://www.uco.es/kdis/mllresources/
- http://mlkd.csd.auth.gr/concept_drift.html
- 带概念漂移的数据集：https://www.win.tue.nl/~mpechen/data/DriftSets/
- 带冗余特征的数据集，用于特征选择实验：https://jundongl.github.io/scikit-feature/datasets.html
注：每个项目里有单独的readme.md文件做详细介绍。以下仅对每个算法作个概括。
自适应随机森林，项目中还实现了自适应霍夫丁树。
流数据场景，单标签分类。
深度学习模型，多实例多标签学习模型。
来自论文：Mondrian Forests: Efficient Online Random Forests
随机森林的变体，流数据场景。
如题。
论文出处：Yang L , Wu X Z , Jiang Y , et al. Multi-Label Learning with Deep Forest[J]. 2019.
南京大学周志华教授团队的力作，是深度森林的变体及应用。
MLDF是多标签数据分类算法，模型是静态批量式学习。
实验中用到的数据集全都可以在 http://mulan.sourceforge.net/datasets-mlc.html 下载。
多标签霍夫丁树，batch式增量学习。可以跑。
项目中有个Multi-label ClassifierCC（MLCC）算法的Python实现，用于对比。
项目中有几个PDF课件作参考。
流场景、多标签分类算法，主要还是基于霍夫丁树的改编。
项目中有两种接收实例的方式：小batch形式，逐条接收形式。
项目中实现了有单棵霍夫丁树小批量、多棵霍夫丁树小批量、逐条增量式单棵霍夫丁树、逐条增量式霍夫丁森林。
特点：小batch形式接收数据，所以模型实际上还是批量学习。
可以跑。
来自论文：Hybrid Forest: A Concept Drift Aware Data Stream Mining Algorithm
模型可以跑，效果凑合，实验中用的对比算法太少了。
很牛逼的一个多标签分类算法，后面的什么级联模型、深度森林模型，在one-error、汉明损失、精度等几个指标 上，就没有比得过MLKNN的，KNN yyds~。
项目里有MATLAB版和Python版。
基于决策树，可用作单标签、多标签数据分类和预测，项目中仅提供了实现霍夫丁树的算法，没有做具体的模型训练，也没有具体实验。可以拿来改编。
非数据分类算法，仅是学Django框架时写的一个Python版web项目，或许可用于本科课设。
非数据分类算法，仅是学神经网络初期写的几个小demo。比如MNIST数据分类，滑动平均模型。