大家下午好，最近在网上认识一个妹子，叫XDB，偏偏她和我闹别扭，失效了。所以我通过去她老家MOS，多次明察暗访，研究了一些她的资料，大致摸清她的星座性格之后，得出了重建XDB的大致流程。以下是把我的研究过程与大家一起分享：首先，就我的理解，和大家简单说说XDB是啥东东。根据官档的概述： XDB又叫XML DB,主要的作用是用来高效率地处理XML类型的数据，提供本地的XML支持，包含存储
转载
2024-03-18 20:00:35
55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
四、回归算法 4.1线性回归 4.1.1线性回归的原理 回归问题-目标值是连续型数据  
转载
2023-08-01 16:54:28
118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
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
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
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
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
# Python 看岭回归结果
在数据科学和机器学习的领域，回归分析是一个重要的方法，用于预测和建模。岭回归是一种线性回归的扩展，它通过在损失函数中添加L2正则化项来减少模型的复杂度。本文将探讨如何使用Python进行岭回归，并展示相应的结果和分析。
## 岭回归简介
岭回归（Ridge Regression）目的是减少模型的过拟合，并提高模型的泛化能力。在大量特征的情况下，岭回归通过施加惩
## Python回归结果返回系数
回归分析是统计学中一种重要的数据分析方法，用于探索变量间的关系。在回归分析中，我们希望找到一个数学模型，可以通过自变量的值来预测因变量的值。回归结果返回系数是回归分析中的一个重要指标，用于衡量自变量对因变量的影响程度。
### 什么是回归分析
回归分析是一种统计学方法，用于研究自变量和因变量之间的关系。在回归分析中，我们首先收集一组自变量和因变量的数据，然
原创
2023-11-19 10:00:31
87阅读
# 逻辑回归结果输出 Python
逻辑回归（Logistic Regression）是一种常用的分类算法，在机器学习和统计学中广泛应用。它通过建立一个逻辑函数，将输入特征映射到一个概率值，用于预测分类结果。
在Python中，我们可以使用多种库来实现逻辑回归模型的训练和结果输出，其中最常用的库之一是scikit-learn。本文将通过一个实例来演示如何使用scikit-learn进行逻辑回归
原创
2024-01-23 08:56:33
189阅读
PLS入门：
1，两篇关键文章
[1] de Jong, S. "SIMPLS: An Alternative Approach to Partial Least Squares Regression." Chemometrics and Intelligent Laboratory Systems. Vol. 18, 1993, pp. 251–263.
[2] Rosipal,
转载
2023-11-06 16:23:05
240阅读
Logistic回归可以被看成是一种概率估计。我们在每个特征上乘一个回归系数，然后所有值相加，总和带入sigmoid函数，得到一个0~1之间的数值，大于0.5的被分到1类，小于0.5的被分到0类别中。一、理论基础用Logistic回归进行分类的主要思想是：根据现有数据对分类边界线建立回归公式，以此进行分类。“回归”源于最佳拟合，表示要找到的最佳拟合参数。
优点：计算代价不高，易于理解和实现
缺点：
转载
2023-12-19 14:12:38
49阅读
1.GMM(guassian mixture model) 混合高斯模型，顾名思义，就是用多个带有权重的高斯密度函数来描述数据的分布情况。理论上来说，高斯分量越多，极值点越多，混合高斯密度函数可以逼近任意概率密度函数，刻画模型越精确，需要的训练数据也就越多。2.GMM模型初始化： 即模型参数的初始化，一般采用kmeans或者LBG算法。模型初始化值对模型后期的收敛有极大影响，特别是训练模型的数
转载
2023-07-03 17:44:14
628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
滚动一般结果集只能是向下的,不是滚动的,你要是想让它滚动你得设置才行。 类名或者接口里面有静态的可以。接口里面的属性全部都是public static final,类名/接口名.是属性,这些都是常量。结果集是你查询到的结果,数据库不是给你一个人玩的吧。在高并发访问的时候很容易出现一些问题。就是你在查的时候可能别人改了。问题：你查的时候别人改了,那就是你查到的是改了的还是查到的是没改了的呢
转载
2024-01-04 23:11:24
50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
