1.Bootstap的使用模板<!DOCTYPE html>
<html lang="zh-CN">
<head>
<meta charset="utf-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">
<meta name="viewpo
转载
2024-10-08 20:37:33
29阅读
Regression：Case Study问题的导入：预测宝可梦的CP值Estimating the Combat Power(CP) of a pokemon after evolution我们期望根据已有的宝可梦进化前后的信息，来预测某只宝可梦进化后的cp值的大小确定Senario、Task和ModelSenario首先根据已有的data来确定Senario，我们拥有宝可梦进化前后cp值的这样
转载
2024-03-26 14:03:34
57阅读
1.逻辑回归逻辑回归是一种线性回归模型,它假设数据服从伯努力分布(二项分布,0-1分布),通过极大似然估计,运用梯度下降方法(牛顿法) 求解,进而达到二分类目的。逻辑回归与线性回归有很多相似之处，去除Sigmoid映射函数的话，逻辑回归算法就是一个线性回归。逻辑回归以线性回归理论作为支持。由于引入了Sigmoid函数，可以处理非线性问题，因此可以轻松处理0/1分布问题。2.伯努利(Binomial
转载
2023-07-29 12:00:38
139阅读
day01 - JS高级语法（一）01 - 全局变量_局部变量定义：
定义在function外部的变量：全局变量定义在function内部的变量：局部变量定义在function内部，但没有var的变量也是，适合公用的变量使用场景
全局：很少，一直常驻内存中不易销毁，容易出现命名冲突，适合公用的变量局部：函数执行完毕02 - 作用域链var point = 30;
fun
import random
import torch
from d2l import torch as d2l
# 根据带有噪声的线性模型构造一个人造数据集
def synthetic_data(w, b, num_examples):
"""生成 y = Wx + b + 噪声"""
X = torch.normal(0, 1, (num_examples, len(w)))
“回归分析”是解析“注目变量”和“因于变量”并明确两者关系的统计方法。此时，我们把因子变量称为“说明变量”，把注目变量称为“目标变量址(被说明变量)”。清楚了回归分析的目的后，下面我们以回归分析预测法的步骤来说明什么是回归分析法：1．根据预测目标，确定自变量和因变量明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标
转载
2023-08-20 15:16:49
195阅读
一、主要内容1、线性回归高斯分布极大似然最小二乘梯度下降2、logistic回归分类问题的首选算法二、线性回归1、线性回归定义回归模型描述的是一个因变量(Y)和一个或多个自变量之间(X)的关系，而线性回归描述的是不同的自变量对因变量都有不同的作用效果我们称作权重（θ）,并且他们对因变量产生的影响都是线性可加的，可以描述为：直白说就是通过拟合自变量与因变量之前的线性关系，将自变量的值传入模型中得到因
转载
2024-08-11 15:20:04
39阅读
《Interpretable Machine Learning》(https://christophm.github.io/interpretable-ml-book/index.html)内容围绕：对于一个训练好的线性模型，怎样去向模型使用者（客户）解释这个模型（参数含义、为什么得会得出这种预测结果）。 上图为一个线性回归的单个实例，最后一项为误差。1. 模型是否“正确”，需要用到的数据间遵循一
转载
2024-01-22 11:44:07
172阅读
在线性回归模型中，其参数估计公式为不可逆时无法求出，另外如果越趋近于0，会使得回归系数趋向于无穷大，此时得到的回归系数是无意义的。解决这类问题可以使用岭回归和LASSO回归，主要针对自变量之间存在多重共线性或者自变量个数多于样本量的情况。一、正则化1.什么是正则化对损失函数(目标函数)加入一个惩罚项，使得模型由多解变为更倾向其中一个解。在最小二乘法中，可以这样理解。XTX可能是不可逆的，通过加上正
转载
2024-04-30 08:20:09
85阅读
Logistic回归介绍 Logistic回归介绍Sigmoid 函数和Logistic回归分类器基于最优化方法的最佳回归系数确定 优点：计算代价不高，容易理解和实现 缺点：容易欠拟合，分类精度可能不高 适用数据类型：数值型和标称型数据 Logistic回归的一般过程 1、收集数据 2、准备数据，数值型数据 3、分析数据 4、训练算法：为了找到最佳的分类回归系数 5、测试算法：一旦
转载
2024-03-25 19:46:46
62阅读
知识点进程和线程:进程和线程都是一个时间段的描述，是CPU工作时间段的描述，不过是颗粒大小不同.进程就是包换上下文切换的程序执行时间总和 = CPU加载上下文+CPU执行+CPU保存上下文.线程是共享了进程的上下文环境的更为细小的CPU时间段。判别式模型和生成式模型:判别式模型直接学习决策函数f(X)或条件概率分布P(Y|X)作为预测的模型.往往准确率更高,并且可以简化学习问题.如k近邻法/感知机
【总结】逻辑回归找到最优化的参数有2种方法，这两种方法得出的最优结果是一致的，有时候容易弄混淆。这里总结一下： 方法1：利用最大似然函数方法（样本出现概率最大） 参考上述【】求出每个样本出现的概率，再把所有样本出现的概率表达式计算出来，利用最大似然函数求出整体出现概率最大时的参数θ。预测函数： &n
作者：SAS_Miner
分类回归树 classification and regression tree(C&RT) racoon优点（1）可自动忽略对目标变量没有贡献的属性变量，也为判断属性变量的重要性，减少变量数据提供参考；（2）在面对诸如存在缺失值、变量数多等问题时C&RT 显得非常稳健（robust）；（3）估计
转载
2024-09-15 20:40:54
41阅读
# Python 回归结果验证
作为一名刚入行的小白，你可能对如何验证 Python 回归结果感到困惑。不用担心，我将带你一步步了解整个流程，并提供代码示例。首先，让我们通过一个流程图来了解整个验证过程。
```mermaid
flowchart TD
A[开始] --> B[数据准备]
B --> C[选择模型]
C --> D[训练模型]
D --> E[模
原创
2024-07-25 03:28:32
64阅读
# 理解逻辑回归及其在Python中的应用
逻辑回归是一种广泛使用的统计方法，主要用于二元分类问题。它通过一个特定的函数评估自变量（特征）与因变量（目标）的关系，从而预测某个事件的发生概率。尽管名称中有“回归”二字，逻辑回归的主要功能并不是预测连续值，而是预测某个特定类别的概率。
## 逻辑回归的基本原理
逻辑回归使用逻辑函数（或Sigmoid函数）将线性组合的输入映射到0到1的区间。其数学
由于PROTACs的构效关系比较模糊，当前暂时没有PROTAC理想的理性设计与药效评价计算方法。上海科技大学一研究团队引入了DeepPROTACs，以帮助设计有效的PROTACs分子。它可以根据给定的靶蛋白和E3连接酶的结构来预测PROTAC分子的降解能力。背景介绍传统疗法依靠小分子抑制剂作为作用模式（MOA）实现占位驱动药理学。该方法存在无法处理不可成药的靶点、脱靶毒性、不良副作用、耐药性等缺点
机器学习-逻辑回归预测乳腺癌案例import numpy as np
import pandas as pd
# 机器学习
import sklearn
# 逻辑回归
from sklearn.linear_model import LogisticRegression
# 切割训练集和测试集
from sklearn.model_selection import train_test_split
题目：小z 的三角形★实验任务 三角形的第1 行有n 个由“+”和”-“组成的符号，以后每行符 号比上行少1 个，2 个同号下面是”+“，2 个异号下面是”-“ 。 计算有多少个不同的符号三角形，使其所含”+“ 的个数是”-“ 的 个数的一半。n=7 时的1 个符号三角形如下:+ + - + - + +
+ - - - - +
- + + + -
- + + -
- + -
- -
+
+ + -
上篇博客说的是逻辑回归的基本内容，包括公式推导，总体来说，和普通线性回归差不多。这篇博客使用逻辑回归基于病理数据进行乳腺癌预测。数据数据的来源： Breast Cancer Wisconsin (Original) Data Set 数据概要： 数据的属性翻译过来，大致内容：属性信息:样本编号:id编号簇厚:1 - 10细胞大小均匀性:1 - 10细胞形状均匀性:1 - 10边缘附着力:1 - 1
自杀意念、自杀计划和自杀行为在老年人群中是非常严重的健康问题，其导致死亡的可能性远远高于任何其他年龄组。老年抑郁症发病率的增加反映了对老年抑郁症患者自杀风险进行有效筛查的迫切需要。采用横断面设计（注：或者叫横向研究，定义是在单一时间点比较不同的群体，不考虑过去和未来的影响，只看某个时间点的结果），我们使用全脑静息态功能连接和白质结构连接数据进行了基于连接体的预测建模，以预测晚年抑郁症患者(N =
