range()range(start, stop[, step]) 描述：返回开始数值start，结束数值为stop，数值间隔为step的迭代器（非列表，是迭代器）参数说明： start: 计数从 start 开始。start参数可以不传，默认是从 0 开始 stop: 计数到 stop 结束，但不包括 stop。 step：步长，默认为1。data = range(3, 15, 2)
for i
转载
2023-11-23 12:40:38
132阅读
# 如何实现 Python 的逐步回归（Stepwise Regression）
逐步回归是一种用于选择预测变量的回归分析方法，它逐步添加或剔除自变量，以找到最佳模型。本文将详细介绍 Python 中逐步回归的实现过程，便于初学者掌握。
## 流程概述
以下是实现逐步回归的基本步骤：
| 步骤 | 描述
回归是一种统计方法，可让我们了解自变量和因变量之间的关系。逐步回归是回归分析中一种筛选变量的过程，我们可以使用逐步回归从一组候选变量中构建回归模型，让系统自动识别出有影响的变量。 理论说明逐步回归，是通过逐步将自变量输入模型，如果模型具统计学意义，并将其纳入在回归模型中。同时移出不具有统计学意义的变量。最终得到一个自动拟合的回归模型。其本质上还是线性回归。 一、案例背景研究人员
转载
2023-11-28 14:08:58
73阅读
# -*- coding: utf-8 -*-
"""
Created on Sat Aug 18 16:23:17 2018
@author: acadsoc
"""
import scipy
import numpy as np
import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
from sklearn
转载
2023-11-08 14:31:22
68阅读
在Python中，`stepwise`函数用于逐步选择特征以优化模型的性能。本文中，我将详细介绍如何在Python中实现该函数，涵盖环境准备、集成步骤、配置详解、实战应用、排错指南和性能优化等内容。
## 环境准备
在开始之前，我们需要准备好Python环境，并安装必要的依赖库。在此过程中，我们将使用`pip`来安装所需的库，包括`statsmodels`和`pandas`。
以下是多平台的
先说结论0、LR给出了后验概率，SVM只有01分类，没有后验概率 1、LR采用logistic损失（误差平方和损失），SVM采用合页（Hinge）损失。（损失函数是二者的本质区别） 2、LR对异常值敏感；SVM对异常值不敏感，泛华能力强，分类效果好。 3、在训练集较小时，SVM较适用，而LR需要较多的样本。 4、LR模型找到的那个超平面，是尽量让所有点都远离他，而SVM寻找的那个超平面，是只让最靠
转载
2024-10-18 19:22:09
56阅读
1.介绍了一种分段弱正交匹配追踪（SWOMP）的算法流程
2.给出了SWOMP的matlab代码
3.给出了压缩感知重构的测试代码
4.门限参数α、测量数M与重构成功概率关系曲线绘制例程代码
论文在第二部分先提出了贪婪算法框架，如下截图所示：接着根据原子选择的方法不同，提出了SWOMP（分段弱正交匹配追踪）算法，以下部分为转载《压缩感知重构算法之分段弱正
1.条件运算符语法：x if 条件 else ysmall = x if x < y else y2.断言(assert)当这个关键字后边的条件为假的时候，程序自动崩溃并抛出AssertionError的异常作用：一般我们可以用它在程序中置入检查点，当程序需要确保程序中的某个条件一定为真才能让程序正常工作的话，assert关键字就很有用了>>> assert 3 >
转载
2023-12-27 11:44:13
453阅读
一、 Python可切片对象的索引方式包括：正索引和负索引两部分，如下图所示，以a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]为例：
python索引方式.jpg
二、 Python切片操作的一般方式一个完整的切片表达式包含两个“:”，用于分隔三个参数(st
转载
2023-12-25 18:43:10
92阅读
特征筛选特征筛选的方法基于统计值的特征筛选利用方差利用相关性利用线性模型迭代消除排列重要性(Permutation Importance)基于模型的特征筛选 特征筛选就是在已有的特征中，筛选出最具有代表的一部分特征来进行接下来的学习 通常，我们通过加入特征，模型的精度的变化来判断该特征的重要性 特征筛选的方法基于统计值的特征筛选利用方差方差主要计算特征的统计量（离散程度），结果可能与最终结果有
转载
2024-01-20 00:02:37
189阅读
正则化的逻辑回归实现 正则化是成本函数中的一个术语，它使算法更倾向于“更简单”的模型（在这种情况下，模型将更小的系数）。这个理论助于减少过拟合，提高模型的泛化能力。这样，我们开始吧。 设想你是工厂的生产主管，你有一些芯片在两次测试中的测试结果。对于这两次测试，你想决定是否芯片要被接受或抛弃。为了帮助你做出艰难的决定，你拥有过去芯片的测试数据集，从其中你可以构建一个逻辑回归模型。 库函数：impor
转载
2024-04-12 10:33:19
39阅读
学习《Python与机器学习实战》和《scikit-learn机器学习》时的一些实践。随机漫步import matplotlib.pyplot as plt
import numpy as np
'''
一维随机漫步
'''
# 博弈组数
n_person = 2000
# 每组抛硬币次数
n_times = 500
# 抛硬币次数序列,用于当绘制点的横坐标
t = np.arange(n_
转载
2024-01-03 15:23:02
157阅读
1、LR和SVM有什么相同点 （1）都是监督分类算法，判别模型； （2）LR和SVM都可以处理分类问题，且一般都用于处理线性二分类问题（在改进的情况下可以处理多分类问题）； （3）两个方法都可以增加不同的正则化项，如L1、L2等等。所以在很多实验中，两种算法的结果是很接近的。2、LR和SVM有什么不同点 （1）本质上是其loss function不同； 区别在于逻辑回归采用的是Logis
转载
2024-03-18 17:01:17
74阅读
逻辑回归一句话概括：逻辑回归假设数据服从伯努利分布，通过极大化似然函数的方法，运用梯度下降来求解参数，来达到将数据二分类的目的，是一种常见的分类算法。1、逻辑回归的基本假设任何模型都是有自己的假设，在这个假设下模型才适用。逻辑回归的基本假设是数据服从伯努利分布。2、逻辑回归的损失函数逻辑回归的损失函数是它的极大似然函数（交叉熵，等同于对数损失）3、逻辑回归的求解方法由于该极大似然函数无法直接求解，
转载
2024-04-08 06:59:20
105阅读
一般在训练 NLP 模型，比如分词，词性，组块标注等等时，采用 BIO 表示法，说明如下：B — 代表当前词是一个组块的开始I — 代表当前词在一个组块中O — 代表当前词不在任意组块中 。如果要求更精确，可以增加两个符号：E — 代表组块结束S — 代表当前词是一个组块，该组块只有一个词以句法组块标注训练为例，我们先将 宾州树 的标注使用 perl 小程序作如下转化，# 宾州树库格式组块标注
(
转载
2024-08-15 11:40:56
51阅读
1. 认识数学建模数学建模：从 1985 年美国的 MCM（Mathematical Contest in Modeling）一直发展至今。亚里士多德说，“智慧不仅仅存在于知识之中，而且还存在于应用知识的能力中”。数学建模就是对数学知识最好的应用。通过数学建模，你会发现，生活中很多有意思的事情都可以靠它来解决，其结构如下：2. 应该怎么查找数据？数据来源查找主要有三个模式： 题目来源数据；
转载
2024-06-06 10:49:06
123阅读
《机器学习实战》学习笔记-[11]-回归-前向逐步回归其他学习：你应该掌握的七种回归技术 7 Types of Regression Techniques you should know!原理简介
参考：
Stepwise regression 学习笔记 、
Stepwise regression
（1）在特征较多时，我们面临降低维度分析的问题，也
转载
2023-12-05 06:48:27
55阅读
之前在 SPSS 中的回归分析算法中发现，在它里面实现的算法有 Enter 和 Stepwise 两种。Enter 很容易理解，就是将所有选定的自变量一起放入模型中，直接去计算包含所有自变量的整个模型能够解释多少因变量中的变异，以及各个自变量单独的贡献有多少。但对 Stepwise regression 的理解总是很模糊，今天仔细查了一下，做下笔记。与平时所说的 regression analys
转载
2023-11-15 15:59:38
249阅读
前言我在本科的时候接触过用LASSO筛选变量的方法，但了解不多。这几天在公司实习，学习到特征选择，发现还有个LARS是经常和LASSO一起被提起的，于是我临时抱佛脚，大概了解了一下LARS的原理。在看文章的时候发现很多人提到Solution Path这样一个概念，起初很费解，后来看了Efron等人的"Least Angle Regression"论文，算是明白了一些。不过本人由于懒，原文后面数学证
转载
2024-05-06 15:10:20
205阅读
天大matlab大作业逐步回归分析方法.doc 逐步回归分析方法在实际中，影响Y的因素很多，这些因素可能存在多重共线性(相关性)，这就对系数的估计带来不合理的解释，从而影响对Y的分析和预测。“最优”的回归方程就是包含所有对Y有影响的变量,而不包含对Y影响不显著的变量回归方程。选择“最优”的回归方程有以下几种方法：(1)从所有可能的因子(变量)组合的回归方程中选择最优者；(2)从包含全部变量的回归方
转载
2023-11-20 10:58:11
242阅读
