线性回归算法梳理 学习内容 ：1. 机器学习的一些概念 有监督、无监督、泛化能力、过拟合欠拟合(方差和偏差以及各自解决办法)、交叉验证2. 线性回归的原理3. 线性回归损失函数、代价函数、目标函数4. 优化方法(梯度下降法、牛顿法、拟牛顿法等)5、线性回归的评估指标6、sklearn参数详解 机器学习的概念有监督和无监督有监督：数据有标签，过程通常是：在已知的训练数据（输入和对应的输出
1. L1和L2范式的区别使用L1正则化的模型建叫做Lasso回归，使用L2正则化的模型叫做Ridge回归（岭回归），即为L1正则化项,指权值向量中各个元素的绝对值之和。 即为L2正则化项指权值向量中各个元素的平方和然后再求平方根。L1范式是对应参数向量绝对值之和 L1范式具有稀疏性L1范式可以用来作为特征选择，并且可解释性较强L2范式是对应参数向量的平方和，再求平方根L2范式
线性回归回归（regression）是能为一个或多个自变量与因变量之间关系建模的一类方法。 在自然科学和社会科学领域，回归经常用来表示输入和输出之间的关系。在机器学习领域中的大多数任务通常都与预测（prediction）有关。 当我们想预测一个数值时，就会涉及到回归问题。 常见的例子包括：预测价格（房屋、股票等）、预测住院时间（针对住院病人等）、 预测需求（零售销量等）。 但不是所有的预测都是回归
第一章-机器学习概论引言机器学习( )这一学科诞生于人工智能的中，它是计算机的一种新的能力，不同于通常的任务，例如编写程序实现一个文件管理系统，或许你需要分层的分模块的去实现它，但它总还是可以使用确定的程序逻辑去表达的，机器学习面对的任务通常是需要收集分析大量来自生活（自然、社会）中的数据，换句话说，机器学习就是用数据编程。例如给一张图片，人依据经验能够很快判断出图中是否有一只猫，那么我们能否按照
在这篇文章中，我们将看到如何处理回归问题，以及如何通过使用特征转换、特征工程、聚类、增强算法等概念来提高机器学习模型的
原创
2024-05-18 19:30:43
202阅读
分类模型：精确率（accuracy）、召回率、精确率、F值、ROC-AUC 回归模型：RMSE、MSE、MAE、SSE、R2、R2-Adjusted精确率（accuracy）：正确分类的样本/总预测样本数 Accuracy=（TP+TN）/(TP+TN+FP+FN)召回率：需召回所有真实情况为1的样本，实际按模型召回预测为1且真实的样本 （预测为1且真实的样本/所有真实为1的样本） Recall=
转载
2024-05-13 15:34:13
56阅读
1、拟合 拟合是指机器学习模型在训练的过程中，通过更新参数，使得模型不断契合可观测数据(训练集)的过程。欠拟合指的是模型在训练和预测表现都不好，往往由于模型过于简单,如图(a)所示。正常模型指的是模型在训练和预测表现都好，如图 (b)所示。过拟合是指由于模型过于复杂，模型在训练集上的表现很好，但在测试集上
转载
2024-09-26 12:13:09
39阅读
如果你已经有了一堆数据，有了因变量和自变量，利用统计软件求出回归方程是非常简单的事情，这些软件虽然不懂得如何分辨你的数据应该用什么方法，但是一旦你确定了方法，他们的计算能力还是非常强大的，可以快速地给出你所需要的结果。但是即使有了回归方程，我们还有一个问题需要解决，那就是：你凭什么认为求出的这个方程是合理的？或者说，凭什么认为求出的方程式符合实际的？这就涉及到回归方程的评价问题。所谓回归方程的评价
转载
2023-12-21 13:41:34
41阅读
线性回归：回归：给定一组数据 xn和目标值 tn目标：再给定新的输入x的时候得出估计值t线性方程模型： 固定的非线性基函数的线性组合方程：参数w:基函数：约定俗称：w0为偏置参数（bias parameter)常见基函数：1.多项式函数：限制：多项式方程是输入值x的global function.拓展：将输入空间分解成不同的区域来拟合不同的多项式 2。高斯函数并不
# 使用 PyTorch 实现回归问题的精度
在机器学习中，回归问题是一个常见的任务，旨在预测连续的数值。PyTorch 是一个强大的深度学习框架，非常适合处理这类问题。本文将引导你一步一步地实现一个简单的回归模型，并讨论如何评估模型的精度。以下是实现的整体流程。
## 实现流程
我们可以将实现流程分为以下几个步骤：
| 步骤 | 描述 |
| ---- | ---- |
| 1 | 数据
car中的函数相比于R基础提供的评价模型拟合情况，car包中提供了大量函数，大大增强了拟合和评价回归模型的能力函数 目的qqplot() 分位数比较图durbinWatsonTest()对误差自相关性做Durbin-Watson检验crPlots() 成分与残差图
转载
2024-09-27 17:10:36
69阅读
说明：本博客中的分析思路、举例、部分插图等均来源于吴恩达教授在斯坦福大学公开课《机器学习》中的讲解内容！一、概述单变量线性回归算法属于监督学习的一类，所谓回归是指我们根据之前的数据预测一个较为准确的输出值。即我们给算法一定的训练集，训练集中的每一个训练样本均为“正确答案”，算法通过对训练集的学习而建立起合适的模型用以预测新的输入值对应的输出值。二、从一个例子说起在斯坦福公开课中，通过这么一个例子
转载
2024-08-09 11:34:11
34阅读
# Java如何计算数字精度
在Java中，数字精度通常指的是浮点数的精度。由于浮点数在计算机中以二进制形式表示，因此在进行数字计算时可能会出现精度丢失的情况。为了确保计算的准确性，我们需要采取一些措施来处理数字精度问题。
## 1. 使用BigDecimal类
Java提供了BigDecimal类来处理高精度的数字计算，它可以表示任意精度的十进制数。使用BigDecimal类可以避免浮点数
原创
2024-03-27 08:08:43
69阅读
模型预测精度（数值regression）评价指标 - RMSE, MAE, MAPE & Bias哪个指标更好？在销量/需求预测时常用的一些模型评价指标，尤其是在supplychain销量预测等领域，哪些指标好，哪些不好？什么时候用什么指标。Error 对于每一个数据，error等于预测减去实际值（这里是销量预测，所以为实际需求） Error = forecast (f) - demand
一、测试原理概述 相机标定后即可建立图像坐标与物理坐标的关系。测试时系统控制平台进行多种方式的运动，视觉系统记录平台每次运动前后Mark点的坐标及角度，并以此来计算平台实际的运动量和运动偏差。 系统使用原点标定板进行标定，先用BLOB工具对圆点进行筛选和定位，然后以图像最中心的圆点为物理坐标原点，根据标定板的点间距计算每个圆
转载
2023-10-11 22:57:53
79阅读
每天给小编五分钟，小编用自己的代码，带你轻松学习人工智能！本文将会带你做完一个深度学习进阶项目，让你熟练掌握线性回归这一深度学习经典模型，然后在此基础上，小编将在下篇文章带你通过此模型实现对股票涨幅的预测。野蛮智能，小白也能看懂的人工智能。 线性回归干货快递点：线性回归是什么？假如给定数据集{[x1,y1],[x2,y2][x3,y3]……}，线性回归希望用一个近似函数来描述这组数据，
转载
2024-08-21 12:00:25
15阅读
## Python线性回归预测精度
### 引言
在机器学习领域中，线性回归是一种基本且常用的算法，用于预测一个连续变量的值。它通过对已知的输入和输出数据进行拟合，从而得到一个线性方程，然后利用这个方程来进行预测。线性回归在很多领域都有广泛的应用，比如经济学、统计学、金融学等等。
在本文中，我们将介绍如何使用Python进行线性回归，并评估预测的精度。我们将使用一个简单的例子来说明这个过程，
原创
2023-08-29 03:21:27
201阅读
混淆矩阵True Positive(TP)：将正类预测为正类数True Negative(TN)：将负类预测为负类数False Positive(FP)：将负类预测为正类数False Negative(FN)：将正类预测为负类数准确率(accuracy)计算公式\[acc = \frac{TP + TN}{TP + TN + FP + FN}
\]解释
对于样本，模型对于正负预测的准确率。精确率（
逻辑回归模型逻辑回归模型是一种分类模型，由条件概率分布P(Y|X) 表示，形式为参数化的逻辑分布，这里，随机变量X取值为实数，随机变量Y取值为1或0。在学习逻辑回归时大家总是将线性回归作比较，线性回归模型的输出一般是连续的，在线性回归模型中每一个输入x,都有一个对应的y输出。模型的定义域和值域都可以是[-∞, +∞]。但是逻辑回归输入可以是连续的[-∞, +∞],输出却一般是离散的，即只有有限个多
转载
2024-10-30 11:08:53
36阅读
一、高精度运算简介Java 和 Python 不用考虑高精度运算，因为 Java 有大整数类，Python 数据默认是无限大，而 C++ 遇到超长位数的（例如有 高精度运算，是指参与运算的数（加数，减数，因子等）范围大大超出了标准数据类型（整型，实型）能表示的范围的运算『例如，求两个 高精度加法（A + B）：两个 高精度减法（A - B）：两个 高精度乘法（A * a）：一个 位的数乘以一个
转载
2023-10-11 09:36:52
88阅读
