Scikit-learn 简称 **sklearn** 是基于 Python 语言实现的机器学习算法库，它包含了常用的机器学习算法，比如回归、分类、聚类、支持向量机、随机森
原创
2023-11-03 14:21:45
0阅读
一、概念要明白什么是线性回归算法，首先要明白什么是线性，什么是非线性、什么是回归。线性：指两个变量之间的关系是一次函数的关系——即图像为直线非线性：两个变量之间的关系不是一次函数关系的——图象不是直线，叫做非线性。回归：人们在测量事物的时候因为客观条件所限，求得的都是测量值，而不是事物真实的值，为了能够得到真实值，无限次的进行测量，最后通过这些测量数据计算回归到真实值，这就是回归的由来。即多次测量
转载
2024-02-20 13:53:48
62阅读
线性回归（Linear Regression）定义：是一种通过对样本特征进行线性组合来进行预测的线性模型，其目的是找到一条直线或者一个平面或者更高维的超平面，使得预测值与真实值之间的误差最小。图1：一维数据，线性拟合模型图2：二维数据，平面拟合模型API文档sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=Fal
转载
2024-04-24 16:34:39
241阅读
线性回归（Linear regression）线性回归作为机器学习中的一个基本算法，他的目的、功能、用途都是相当的明了，在这篇文章中会简单的介绍和说明线性回归的原理，然后使用python实现效果，最后会在其他的文章中补充一些进一步的优化线性回归的目的 很简单，就是用一条直线来拟合这些点。线性回归的功能 也很直接，通过大量的训练集进行训练，得到合适的权重参数 θ，随之输入测试集或者验证集的数据，对其
转载
2024-04-12 20:01:43
81阅读
1.本节重点知识点用自己的话总结出来，可以配上图片，以及说明该知识点的重要性。2.思考线性回归算法可以用来做什么？（大家尽量不要写重复）3.自主编写线性回归算法 ，数据可以自己造，或者从网上获取。（加分题）答：1.本节重点知识点用自己的话总结出来，可以配上图片，以及说明该知识点的重要性。①回归算法的概念： ②回归和分类的区别(举例子）：③线性回归的用途：房价预测，销售额预测，贷款额度预测
转载
2024-01-09 16:16:39
264阅读
1.算法原理 y=w*x+b+ε loss=Σ(w*xi+b-yi)2 w'=w-lr*(loss对w求偏导) # 梯度下降算
原创
2023-03-20 13:04:14
75阅读
1.算法原理 y=w*x+b+ε loss=Σ(w*xi+b-yi)2 w'=w-lr*(loss对w求偏导) # 梯度下
原创
2023-03-20 13:04:21
88阅读
线性回归1，概述线性回归(Linear Regression)是机器学习最基本的回归算法之一，通过对自变量和因变量之间的关系进行建模，找出一个拟合最好的线性关系函数。而根据自变量的多少，又可以分为一元回归和多元回归。2，算法推导假设银行的贷款额度和借贷人的年龄、薪资水平有关，现在希望根据一组数据，使得我们能够确定出三者之间的线性关系并由此做出合理的借贷额度预测。这里有函数：。其中为偏置项，也就是我
1. 线性回归1.1 算法原理（1）情景：给定一定数量的数据点，通过拟合得到其回归直线，使得所有点到这个直线的距离之和（损失函数）最小。 即：已知各个点的坐标，反求直线表达式的最优系数解。假定直线参数为θ，则直线表达式为： 得到的直线（平面）表达式应使得损失函数最小，其中损失函数表达式： （2）求解方式：第一种：直接求解欲使损失函数最小，对损失
转载
2024-05-23 16:21:59
69阅读
线性回归算法 误差项分析： 似然函数求解： 哪里不懂点哪里。 极大似然估计，值越大越好。 目标函数求导 欲使 最大似然函数 值越大，就要使 最小二乘法 的值越小越好。因此，这里的 最小二乘法 叫目标函数。 （笔试或面试中，常问：1.为什么要引入似然函数；2.为什么对似然函数进行log变换；3.为什么
原创
2021-07-22 09:58:17
567阅读
1. 线性算法模型0x1：线性回归和线性分类中的“线性”指的是什么线性(linear)，指量与量之间按比例、成直线的关系，在数学上可以理解为一阶导数为常数的函数；非线性(non-linear)则指不按比例、不成直线的关系，一阶导数不为常数0x2：从输入输出角度看"回归"和"分类"的区别线性分类问题和线性回归问题都要根据训练样本训练出一个实值函数g(x)，g(x)也叫映射函数 1. 回归模型: 给
转载
2024-05-27 11:02:46
98阅读
据，然后挑选出最好的线性函数。需要注意两点：A．因为是线性回归，所以学习到的函数为线性函数，即
转载
2023-11-16 09:33:27
95阅读
线性回归是什么线性回归主要用来解决回归问题，也就是预测连续值的问题。而能满足这样要求的数学模型被称为“回归模型”。最简单的线性回归模型是我们所熟知的一次函数（即 y=kx+b），这种线性函数描述了两个变量之间的关系，其函数图像是一条连续的直线。如下图蓝色直线：图1：线性连续函数还有另外一种回归模型，也就是非线性模型(nonlinear model)，它指因变量与自变量之间的关系不能表示为线性对应关
转载
2023-07-21 23:53:11
145阅读
今天给大家的介绍一下线性模型，线性回归模型虽说模型简单，但距今为止依旧在机器学习算法中占据一定的地位，不仅如此，而且在实际的业务应用中也是屡试不爽的机器学习算法。 线性回归模型公式：Y=Xw+b （一个X变量就代表一元线性回归，多个则为x1*w1+x2*w2+..+xn*wn)线性回
转载
2023-11-03 10:51:33
81阅读
定义假设函数与代价函数(损失函数)特征量放缩最小化代价函数收敛判定1.什么是线性回归在统计学中，线性回归是利用被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的关系进行建模的一种回归分析。在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析；如果回归分析中包括两个及以上个自变量，且因变量和自变量直接是线性关系，则称之为多元线性
转载
2024-05-20 16:37:57
47阅读
1.线性回归算法简介线性回归算法以一个坐标系里一个维度为结果，其他维度为特征（如二维平面坐标系中横轴为特征，纵轴为结果），无数的训练集放在坐标系中，发现他们是围绕着一条执行分布。线性回归算法的期望，就是寻找一条直线，最大程度的“拟合”样本特征和样本输出标记的关系样本特征只有一个的线性回归问题，为简单线性回归，如房屋价格-房屋面积将横坐标作为x轴，纵坐标作为y轴，每一个点为（X(i) ,y(i)）,
转载
2024-03-28 21:50:37
158阅读
线性回归模型是最常用的统计回归分析技术之一。它试图根据一组自变量的线性组合来预测一个连续响应变量（即因变量）。该模型的基本形式为一个等式：y = β0 + β1x1 + β2x2 + … + βnxn + ε其中，y是因变量，xi是自变量（i=1,2,…,n），βj是回归系数（j=0,1,2,…,n），ε是误差项或随机扰动项。线性回归的目标是估计这些回归系数，以使得预测值与实际观测值之间的差异尽可
转载
2024-07-12 17:35:17
130阅读
梯度下降是做线性回归时比较常用的方法，关于线性回归和梯度下降的详细介绍可详见： ，这里用到的数学知识比较多了，推导过程真心看不懂了，不过幸好最终的公式（文章最后的公式）还能看个大概，依葫芦画瓢还能写成Code。其实里面有个重要的概念 Cost Function，而选用是 最小二乘法，就是为了对比线性公式计算后的值与实际值直接的偏离。
转载
2023-10-23 23:00:45
116阅读
1.线性回归简介 线性回归定义： 百科中解释我个人的理解就是：线性回归算法就是一个使用线性函数作为模型框架（y=w∗x+b）、并通过优化算法对训练数据进行训练、最终得出最优（全局最优解或局部最优）参数的过程。y：我们需要预测的数值；w：模型的参数（即我们需要通过训练调整的的值）x：已知的特征值b：模型的偏移量我们的目的是通过已知的x和y，通过训练找出合适的参数w和b来模拟x与y之间的关系，并最
转载
2023-10-07 16:45:25
142阅读
一、线性回归算法的简介线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。其表达形式为y = w'x+e，e为误差服从均值为0的正态分布。 回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性
转载
2024-05-10 17:36:34
96阅读
