梯度下降假设函数(hypothesis function)： 全梯度下降算法(Full gradient descent), 随机梯度下降算法(Stochastic gradient descent), 小批量梯度下降算法(Mini-batch gradient descent), 随机平均梯度下降算法(Stochastic average gradient descent)全梯度下降算法(FG)
线性回归分类： 目标值离散回归： 目标值连续线性回归：寻找一种能预测的趋势线性关系： -二维：直线关系 -三维：平面线性关系定义y=kx+by = kx + by=kx+b参数b，偏置项，为了对于单个特征的情况更加通用参数k，权重f(x)=w1x1+w2x2+...+wdxd+bf(x) = w_1x_1 + w_2x_2 +...+ w_dx_d + bf(...
原创
2021-07-12 14:40:09
1004阅读
线性回归分类： 目标值离散回归： 目标值连续线性回归：寻找一种能预测的趋势线性关系： -二维：直线关系 -三维：平面线性关系定义y=kx+by = kx + by=kx+b参数b，偏置项，为了对于单个特征的情况更加通用参数k，权重f(x)=w1x1+w2x2+...+wdxd+bf(x) = w_1x_1 + w_2x_2 +...+ w_dx_d + bf(...
原创
2022-03-01 10:54:06
632阅读
波士顿房价预测 Boston housing 这是一个波士顿房价预测的一个实战，上一次的Titantic是生存预测，其实本质上是一个分类问题，就是根据数据分为1或为0，这次的波士顿房价预测更像是预测一个连续值，当然这也是一个非常经典的机器学习案例Boston housing如果想了解更多的知识，可以去我的机器学习之路 The Road To Machine Learning通道 目录活动背景数据
目录1 线性回归api介绍小结2 波士顿房价预测2.1 案例背景介绍2.2 案 梯度下降法2.5 小结
原创
2022-10-02 19:33:41
467阅读
背景：本节将就预测20世纪70年代波士顿郊区房屋价格的中位数展开讨论。代码清单1 加载房价数据from keras.datasets import boston_housing
(train_data, train_targets), (test_data, test_targets) = boston_housing.load_data() 分
import numpy as npimport tensorflow as tf import matplotlib.pyplot as plt bos
原创
2022-06-29 15:05:29
315阅读
一、意义这是一个机器学习练习项目，旨在熟悉xgboost的建模过程和数据分析的思路，目标数据选取sklearn自带数据集——波士顿房价二、开始1. 导入要用的库from sklearn.datasets import load_boston
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from
多元线性回归的引入 之前我们介绍过房价预测问题，当时我们只使用了一个特征：房子的大小，来对房价进行预测，并且我们得到了该线性回归模型的假设函数：，如上图所示。但是在实际问题中，能够决定房价的因素（特征 / 变量）肯定不只有一个，所以我们要将之前介绍的线性回归模型推广到更一般的情况，即多元线性回归模型，它更符合实际情况。 如上图所示，我们在原来的基础上，添加了三个特征 / 变量来描述房子，即房间卧室
1 案例背景 给定的这些特征，是专家们得出的影响房价的结果属性。我们此阶段不需要自己去探究特征是否有用，只需要使用这些特征。到后面量化很多特征需要我们自己去寻找 2 案例分析 回归当中的数据大小不一致，是否会导致结果影响较大。所以需要做标准化处理。 数据分割与标准化处理 回归预测 线性回归的算法效果 ...
转载
2021-09-16 16:12:00
1237阅读
2评论
因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升
如果特征值之间存在线性关系就可以使用线性回归建模对其预测结果。本次测试是对一个房屋售价的数据集进行探索，并找出与售价之间有相关性的特征值建立回归模型，来通过此特征值来预测房价。 下面，开始导入数据集：import pandas as pd
df = pd.read_csv("house_data.csv")
# 查看前五行数据
df
文章目录一、获取数据二、数据分析2.1描述性统计分析2.2 散点图分析1. 先绘制
原创
2023-01-09 17:09:20
868阅读
一 梯度下降算法理论知识梯度下降算法分为批度下降算法和随机下降算法。批度下降算法遍历全部数据适合高维数据的处理，但计算速度慢。随机梯度下降算法每次只对一个样本进行训练。所以计算速度较快，但是由于选取的样本少不一定是梯度下降最快的地方，所以可能得不到局部最优值。此外基于这两种算法衍生出了一些改进的算法，比如小批量梯度下降算法。梯度下降算法是基于最小均方误差准测进行计算的，主要的推导过程如下
近日，美国商务智能软件提供商Good Data创始人兼CEO罗曼·斯塔奈克（Roman Stanek）预言2013年将是云计算之年，而社交游戏开发商Zynga、戴尔及诺基亚或将消失。重要的是，他将传统科技巨头失足的原因归因于云计算的规模和架构，认为正是云计算大幅降低了初创企业与这些科技巨头们竞争的门槛。 在云计算发展较为成熟的美国，已经有一些小企业借助云计算实现了市值的快速增长。一般大家最熟知的
相似矩阵，顾名思义，就是指存在相似关系的矩阵一般来说，我们设A、B为n阶矩阵，如果有n阶可逆矩阵P存在，使得P^(-1)AP=B那么我们就称A、B为相似矩阵那么相似矩阵有哪些特性呢一、反身性，A和A相似，那当然，A本来就是A，怎么可能不相似呢二、对称性，这个也不用考虑太多，A和B相似，那B当然和A相似了三、传递性，如果矩阵A和矩阵B相似，矩阵B又和矩阵C相似，那自然而然矩阵A和矩阵C相似四、如果A
多元线性回归 Multivarate Linear RegressionMultiple Feature前面我们学习了一元线性回归，也动手亲自从底层编写了梯度下降算法来实现一元线性回归。相信大家已经对梯度下降和线性回归有了很清晰的理解了。现在，我们讨论线性回归的另一种更加强大的版本，那就是可以使用多个变量或者多个特征。我们之前开发的线性回归仅能处理单一的特征x，也就是房子的面积，而且我们
本文采用 正规方程 、 梯度下降 、 带有正则化的岭回归 三种方法对BOSTON房价数据集进行分析预测，比较三种方法之间的差异
本文采用正规方程、梯度下降、带有正则化的岭回归三种方法对BOSTON房价数据集进行分析预测，比较三种方法之间的差异from sklearn.datasets import load_boston
from sklearn.lin
上一篇介绍了
条形图的高级用法，本次要做的图表如下：一、介绍：这种图学名叫做波士顿矩阵图，大白话叫四象限图，大家比较熟悉的应该是确定事情优先级的重要-紧急图，四个象限分别为重要紧急，重要不紧急，不重要紧急，不重要不紧急。
二、用处：
要综合考虑两个指标来做出判断，在工作中有大量的适用场景比如通过库存天数和库存周转率，评估库存的滞销风险；比如通过充值率和充值ARPPU，评
初次接触深度学习，记录一点思考和想法，请大家多多指正。首先是工具包的导入pycharm这里我用到了numpy科学计算库，json轻量级的数据交换格式包，以及matplotlib绘图工具包import numpy as np
import json
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D 
