Part.1 光伏组件温度的影响因素和热模型 光伏组件运行温度受到系统设计、安装方式和气象因素等影响。设计因素包括了组件的技术类型、封装材料的类型，安装方式包括了固定支架安装(敞开式)、屋顶顺坡安装及跟踪支架安装等。气象因素包括环境温度、
辐射量
和风速。因此，预测户外光伏组件的运行温度是一个非常复杂的工作，需要同时考虑到上述几个因素。
在科学研
如果说在2008年上半年ArcGIS9.3发布之时大家还在为rest是否合适面向数据处理的GIS应用，以及到底是SOAP还是rest等问题而争论不休，那么今天看来，基于rest的webGIS应用遍地开花，大放其采。一切似乎昭示着ADF终于快修成正果，而SOAP也岌岌可危？表面的现象确实如此，ArcGIS从10.0下一个版本将不再更新ADF，因为ADF与Web2.0简单而强大的理念相悖。但是作为ES
第七章 深度学习中的正则化机器学习中的一个核心问题是设计不仅在训练数据上表现好，并且能在新输入上泛化好的算法。 在机器学习中，许多策略显式地被设计来减少测试误差（可能会以增大训练误差为代价）。这些策略被统称为正则化。++++++++++++++++【补充】+++++++++++++++++++++ 前面使用多项式回归，如果多项式最高次项比较大，模型就容易出现过拟合。正则化是一种常见的防止过拟合的
转载
2024-09-22 11:29:39
231阅读
文章目录5.1 基于Logistic回归和Sigmoid函数的分类5.2 基于最优化方法的最佳回归系数确定5.2.1 梯度上升法5.3 python实战5.3.1 查看数据集分布情况5.3.2 训练5.3.3 绘制决策边界5.4 改进的随机梯度上升算法5.4.1 随机梯度上升算法代码：5.4.2 回归系数与迭代次数的关系5.5 示例：从疝气病症预测病马的死亡率5.5.1 准备数据5.5.2 使用
机器学习基本算法总结☞监督学习——回归
代码在这，基于python3（原书代码是python2）这里只是一个总结，原书已经讲解很清楚了，不清楚的直接看代码目录1.预测数值型数据：回归2.树回归==========================一、预测数值型数据：回归1.线性回归最佳拟合———————————————————————————————————- - 优点：结果易于理解，计算上不复
转载
2024-08-12 15:26:42
189阅读
目录逻辑斯蒂分布二元逻辑斯蒂回归模型二元逻辑斯蒂回归的损失函数及优化方法二元逻辑斯蒂回归的正则化多元逻辑斯蒂回归逻辑斯蒂回归小结LR的优点LR的缺点LR将连续特征离散化的原因逻辑回归和线性回归的区别和联系LR和SVM的关系scikit-learn 逻辑回归类库使用小结概述正则化选择参数：penalty优化算法选择参数：solver分类方式选择参数：multi_class类型权重参数：class_w
本博客主要介绍GTWR模型及其扩展以及传统的GWR。我们的相关论文也已经发表，可以点击查看对应介绍博客，也可以直接点击查看论文1，论文2。相关代码也已经开源啦，可以前往github或gitee自取，跳转获取1.GTWR介绍Huang在GWR模型的基础上提出GTWR模型，GWR模型中自变量的回归参数随空间地理位置的变化而变化，而GTWR模型中自变量的回归参数是随着时空位置的变化而变化。因此该模型相对
转载
2024-03-18 20:42:05
483阅读
回归：从生产到使用【上：使用篇】 前面介绍过几个算法，如KNN、决策树等，都可以用若干个“属性变量”来预测一个“目标变量”，如银行用客户的性别、收入、教育等情况来预测这个客户是否可能流失，再比如上一期说到的朴素贝叶斯在供应链金融里的应用，即用一个企业的规模、资产投资率、以及该企业与这条供应链上下游的关系等“属性变量”，来推测这家企业的还款风险： 本文要介绍的Logistic回归模型，也是其中一种
利用Logistic回归进行分类的主要思想是，根据现有数据对分类边界建立回归公式，以此进行分类。这里的回归表示要找到最佳拟合参数集。训练分类器就是要寻找最佳拟合参数。优点：计算代价不高、易于理解实现
缺点：容易欠拟合、分类精度可能不高
使用数据类型：数值型和标称型 Sigmoid函数：能够接受所有的输入然后预测出类别，在两个类的情况下，输出0或1。计算公式f(x)=1/(1+e^-x)。当x为0时
转载
2024-07-03 20:44:58
91阅读
1.什么是计量经济学？它与经济学、统计学和数学的关系怎样？答:1、计量经济学是一门运用经济理论和统计技术来分析经济数据的科学和艺术，它以经济理论为指导，以客观事实为依据，运用数学、统计学的方法和计算机技术，研究带有随机影响的经济变量之间的数量关系和规律。2、经济理论、数学和统计学知识是在计量经济学这一领域进行研究的必要前提，这三者中的每一个对于真正理解现代经济生活中的数量关系是必要的，但不充分，只
本实验专栏参考自汤国安教授《地理信息系统基础实验操作100例》一书实验平台：ArcGIS 10.6实验数据：请访问实验1（传送门）空间分析篇--实验77 按要素分区统计路网目录一、实验背景二、实验数据三、实验步骤（1）标识公路数据（2）计算公路长度（3）统计各省份公路长度（4）绘制统计直方图一、实验背景对地理对象进行空间统计分析时，常常需要基于特定的统计分区，如规则的公里格网、行政区域等。通过空间
转载
2024-05-31 16:23:40
156阅读
个人认为主要有两个原因。原因一：为了让估计出的回归系数是无偏估计。总体参数的估计值必须符合一些好的特性才行，比如无偏性，相合性（一致性），有效性之类的，否则你的估计值就是瞎猜。如果假定误差均值为零，则最小二乘估计出来的回归系数就是无偏的。一个估计量并不是说无偏就一定好，也可以有偏。如果有偏，只要它和无偏估计量相比较“均方误差”更小，则我们就可以选用有偏的估计量。比如岭回归得到的回归系数就是有偏估计
转载
2024-02-24 16:59:30
382阅读
回归问题的条件/前提：
1） 收集的数据 2） 假设的模型，即一个函数，这个函数里含有未知的参数，通过学习，可以估计出参数。然后利用这个模型去预测/分类新的数据。 1. 线性回归 假设 特征 和 结果 都满足线性。即不大于一次方。这个是针对 收集的数据而言。 收集的数据中，每一个分量，就可以看做一个特征数据。每个特征至少对应一个未知的参数。这样就形成了一个线性模型函数，向量表示形式：
转载
2024-08-01 13:41:39
52阅读
spss modeler-回归正态分布（高斯分布）： 若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。逆高斯分布：二项分布：二项分布就是重复n次独立的伯努利试验。（抛硬币）在每次试验中只有
转载
2024-05-23 11:04:15
55阅读
介绍回归分析分析现象之间相关的具体形式，确定其因果关系，并用数学模型来表现其具体关系。线性回归是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。只有一个自变量的情况称为简单回归，大于一个自变量情况的叫做多元回归。在传统回归分析中，如最小二乘模型（OLS），基本假设是自变量与因变量的关系在整个地区保持稳定。一般线性回归都是全局的。地理加权回归是一种空间分析
转载
2024-03-05 14:42:28
1521阅读
本实验专栏参考自汤国安教授《地理信息系统基础实验操作100例》一书实验平台：ArcGIS 10.6实验数据：请访问实验1（传送门）高级编辑篇--实验53 导出线、面要素的坐标值目录一、实验背景二、实验数据三、实验步骤（1）提取线要素折点（2）导出坐标至TXT文件（3）导出面要素折点坐标一、实验背景二维地理矢量数据常以点要素、线要素和面要素的形式进行记录与表达，而线要素和面要素的结构均由多个点要素连
转载
2024-07-11 14:07:18
104阅读
经典的实验性研究是随机对照试验，通过随机化实现组别之间的均衡可比，在这种情况下，基本统计学方法比如t、卡方检验便能够帮助我们证明干预措施的效果。然而，观察性研究是非干预性研究，比较的组别之间一般不会均衡可比，为此，往往需要借助复杂的统计学来达到研究目的。 从实验性研究的统计策略转换到观察性研究的统计策略前，我们需要了解医学研究统计分析的两个研究目的及其内在统一性，即差异性与相关性。我们在实验性
转载
2024-04-04 11:40:19
99阅读
前言之前对什么是逻辑回归，以及它的公式由来做了说明。在明确了该分类器的函数式后，那么最佳的回归系数是多少呢？这是值得思考的问题，本篇博客将会对这个问题进行探讨。回顾逻辑回归公式逻辑回归 = 线性回归 + sigmoid函数线性回归： z = w*x + bsigmoid函数：y = 逻辑回归：y = 对于sigmoid函数，其输入z =
转载
2024-04-08 06:42:33
83阅读
本文包括：重要概念逻辑斯蒂回归和线性回归二项逻辑斯谛回归模型逻辑斯蒂回顾与几率模型参数估计多项逻辑斯谛回归1.重要概念：在正式介绍逻辑斯蒂回归模型之前，需要先对一些基本概念有所了解，如果明白这些概念可以直接跳过。分布函数和密度函数：对于一个连续型随机变量，密度函数是指该变量在其可取值范围内为一个特定值的概率，分布函数即在一个特定值和小于该特定值的范围内出现的概率，可以理解为密度函数的面积比率。用逻
转载
2024-08-23 10:13:24
57阅读
回归与聚类算法1 线性回归2 欠拟合与过拟合3 岭回归4 逻辑回归5 模型保存与加载6 K-means算法（无监督学习） 1 线性回归原理 线性回归的损失和优化 API什么是线性回归？ 线性回归线性回归是利用回归方程（函数）对一个或多个自变量（特征值）和因变量（目标值）之间关系进行建模的一种分析方式线性模型： 自变量是一次方 参数是一次方损失函数/cost/成本函数/目标函数 最小二乘法 优化损
转载
2024-09-07 17:41:26
36阅读
