1.概念 1.1 线性回归概念 机器学习中的两个常见的问题：回归任务和分类任务。那什么是回归任务和分类任务呢？简单的来说，在监督学习中（也就是有标签的数据中），标签值为连续值时是回归任务，标志值是离散值时是分类任务。而线性回归模型就是处理回归任务的最基础的模型。 线性：两个变量之间的
#import keras #import numpy as np #import matplotlib.pyplot as plt #from keras.models import Sequential #全连接层 #from keras.layers import Dense import numpy as np import matplotlib.pyplot as plt from tensorflow import keras from tensorflow.keras.model
import torch x_data = torch.Tensor([[1.0],[2.0],[3.0]]) y_data = torch.Tensor([[2.0],[4.0],[6.0]]) class MyLinear(torch.nn.Module): def __init__(self): super().__init__() self.linear = torch.nn.Linear(1,1) def forward(se
均方误差（MSE） \[\mathrm{MSE}=\frac{1}{N}\sum_{i=1}^{N}(\hat{y}^{(i)}-y^{(i)})^2 \] 均方根误差（RMSE） \[\mathrm{RMSE}=\sqrt{\mathrm{MSE}} \] 平均绝对误差 （MAE） \[\mathrm {MAE}=\frac{1}{N}\sum_{i=1}^N||\hat{y}^{(i)}-y^{(i)}|| \] \(R^2\) \[\begin
「逻辑回归模型」 解决的是监督学习中的分类问题。但由于历史原因名字中带有回归，但它实际上是分类算法。还是从最基础的分类问题「二分类问题」开始讲起。 监督学习是什么呢？监督学习是从标记的训练数据来推断一个功能的机器学习任务。 二分类问题 我们的输出向量 y（结果） 不是连续的
文章转载自https://zhuanlan.zhihu.com/p/81016622 1. GBDT简介 Boosting、Bagging和Stacking是集成学习(Ensemble Learning)的三种主要方法。Boosting是一族可将弱学习器提升为强学习器的算法，不同于Bagging、Stacking方法，Boosting训练过程为串联方式，弱学习器的训练是有顺序的，每
点击查看代码 import pylab import torch from IPython import display from d2l import torch as d2l # softmax回归的从零开始实现 batch_size = 256 train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size) # 初始化模型参数 # 将展平每个图像，把它们看作长度为78
朴素贝叶斯是解决分类任务的好起点，线性回归是解决回归任务的好起点。 简单线性回归 将数据拟合成一条直线。 y = ax + b , a 是斜率， b是直线截距 原始数据如下： 使用LinearRegression评估器来拟合数据 除了简单的直线拟合，还可以处理多维度的线性回归模型。 基函数回归 使用基函数
from sklearn.svm import SVR from sklearn.pipeline import make_pipeline from sklearn.preprocessing import StandardScaler import numpy as np n_samples, n_features = 10, 5 rng = np.random.RandomState(0) y = rng.randn(n_samples) X = rng.randn(n_samples, n_
Logistic回归以及softmax回归 问题描述 完成 logistic_regression-exercise.ipnb中的填空 填空一：实现sigmoid的交叉熵损失函数(不使用tf内置的loss 函数) 完成 softmax_regression-exercise.ipnb中的填空 填空一：在__init__构造函数中建立模型所需的参数 填空二：实现softmax
思路 利用主成分分析，从变量中提取主成分，进而利用主成分做回归 关于主成分分析的基本步骤，可参考> https://www.cnblogs.com/hznudmh/p/16324990.html> 步骤 Step1. 原始数据标准化 Step2. 计算自变量之间的相关矩阵 Step3. 检验是否适合做主成分分析 Step4. 主成分提取 Step5. 计算
巩固了线性回归的内容，练习了多变量的线性回归，对程序添加了一些详细的注释 import numpy as np#线性代数包import pandas as pd#数据处理包import matplotlib.pyplot as plt#画图包path = 'ex1data2.txt'data2 = pd.read_csv(path, header=None, names=['Size', 'Bedrooms', 'Pric
原文链接：http://tecdat.cn/?p=26672 原文出处：拓端数据部落公众号 在这个项目中，我讨论了如何使用主成分分析 (PCA) 进行简单的预测。 出于说明目的，我们将对一个数据集进行分析，该数据集包含有关在 3 个不同价格组内进行的汽车购买信息以及影响其购买决定的一组特征。 首先，我们将导
Introduction 分类算法(Classification) 监督学习(Supervised Learning) 线性回归 线性回归是为了建立输入特征\(x = (x_1, \cdots, x_n)^T\) 和输出值y之间的线性关系，即: \[y = w^T x \]假设有一组训练数据，特征\(X = ({x^{(1)},\cdots,x^{(m)}})\)，值\(\hat Y = ({\hat{y}^{(1
小白如何学习数学建模 安装软件 MATLAB(物理建模)python(数据分析)RSPSSStataOrigin Lingo软件替代方案 Yalmip工具箱+OPTI工具箱+gurobi求解器Yalmip是基于matlab的求解规划问题的高级建模语言OPTI提供众多开源的规划求解器 包括非线性求解器ipopt等gurobi是当今世界上最优
回归分析的英文是regression analysis，它是现在数据分析里面用的最多的方法之一吧，也可以说是非常重要的一种统计思想，大学学习的第一个模型就是回归模型，回归分析是一门特别重要的专业课，所以足见这个方法的重要性。 首先回归分析能解决什么问题。 在做实际数据分析的时候我们经常会遇
原文链接：http://tecdat.cn/?p=26301 原文出处：拓端数据部落公众号 线性模型是统计学的基础，但它的意义远不止用尺子在几个点上画一条线。 我认为以分布为中心的观点使 generalised linear models (GLM) 也更容易理解。这就是这篇文章的目的。 我将使用冰淇淋销售统计数据来说明不
冒烟测试： 冒烟测试，是对软件的基本功能进行测试，测试对象是每一个新编译的需要正式测试的软件版本，目的是确认软件的基本功能正常，保证软件系统能正常跑起来，可以进行后续的正常测试工作的进行，如果最基本的测试都有问题了，就直接打回开发部了，所以正式交付的测试版本，必须先通过冒烟测试的
Logistic回归 1. 什么是Logistic回归 Logistic是一种常用的分类方法，属于对数线性模型，利用Logistic回归，根据现有数据对分类边界建立回归公式，以此进行分类。 回归：假设现有一些数据点，我们用一条直线对这些点进行拟合，这个拟合过程就称为回归 2. Logistic回归与Sigmoid函数 Sigmoid函数
由于之前都是txt记录的，所以可能比较简陋 学算法应学原理，学工程应学应用。 （因为还要自己设计算法 这也是门槛更高的原因吧 上一行转自y总） 调api 调包侠 B站视频链接 过程中待看待理解的博客、文章、概念、疑问 后期会删除 目前边学边补充 或某个重要概念暂时理解不了，会放在这里，
什么是软件回归测试，如何进行回归测试，进行回归测试时有哪些常用的方法？回归测试是指修改了旧代码后，重新进行测试以确认修改没有引入新的错误或导致其他代码产生错误的一种测试方法。回归测试是指重复以前的全部或部分的相同功能测试。新加入测试的模块，可能对其他模块产生副作用，因此
一、研究场景 回归分析实质上就是研究一个或多个自变量X对一个因变量Y（定量数据)的影响关系情况。当自变量为1个时，是一元线性回归，又称作简单线性回归；自变量为2个及以上时，称为多元线性回归。例如：研究吸烟、喝酒、久坐对高血压患病的影响关系等。 二、SPSSAU操作 SPSSAU左侧仪
Logit回归分析用于研究X对Y的影响，并且对X的数据类型没有要求，X可以为定类数据（可以做虚拟变量设置），也可以为定量数据，但要求Y必须为定类数据，并且根据Y的选项数，使用相应的数据分析方法。logit回归分析一般可分为三类，分别是二元logit回归、多分类logit回归、有序logit回归，三类log
简介 逻辑回归： 使用了逻辑回归函数对数据进行了拟合就叫逻辑回归？？ \[P(x)=\frac{1}{1+e^{-x}}（sigmoid function） \]\[y= \begin{cases}1, & P(x) \geq 0.5 \\ \hline 0, & P(x)<0.5\end{cases} \]其中y为分类结果，P为概率分布，x为特征值。 分类问题的核心就是寻找决策边界。 损失函数
在分类的章节，主要总结Logistic回归和Softmax回归，其中前者主要用于二分类问题，后者主要用于多分类问题 分类问题属于监督学习的范畴，监督学习就是指利用一组已知类别(或者说带有标签)的样本，利用结果与真实结果之间的差异来调整分类器的参数，使其达到要求性能的过程，在监督学习中，每个实
