登录社区云，与社区用户共同成长
邀请您加入社区
自己做笔记用，后续可能会继续添加内容。线性回归是一种用于建模和分析变量之间关系的统计方法，尤其适用于连续型目标变量的预测。
介绍：我们采用波士顿房价预测数据集进行回归任务分析。数据集分为训练集和测试集，训练集可用于训练回归模型，测试集需要进行预测。要求：1.做linear regression，或使用现成的线性回归函数，方法尝试使用Gradient Descent，SGD 以及 ADAM。2.比较不同learning rate的结果。例如损失函数曲线图3.比较有无加上regularization的结果。4.比较有无否使
1.线性回归—邹博目标函数-损失函数的推导（1）给定假设函数h（theta）其中，h表示y的预测值，h和y之间具有一个误差值ε；（2）对误差值ε的假设；由中心极限定理，可以认为误差服从正态分布ε~N(0, sigma2)；进一步假设误差是独立同分布的。（3）损失函数J（theta）的由来公式变换；第二个公式右边是对第一个公式结合上述公式替换得到，公式左边...
【刘二大人】《PyTorch深度学习实践》——PyTorch实现线性回归代码（自用）
第八章 预测数值型数据：回归8.1 用线性回归找到最佳拟合曲线假设输入数据存放在矩阵X中，而回归系数存放在向量w中，那么对于给定的数据X1，预测结果将会通过Y1=X1.T×w给出。如何找出误差最小的W，一般采用平方误差最小，即最小二乘法。平方误差可以写做：用矩阵表示还可以写做（y-x*w）.T*(y-x*w)。如果对w求导，得到x.T*(y-xw)，令其等于
人工智能基础-线性回归-实验分析
线性回归是机器学习的基石之一，兼具实用性与教学价值。它在满足基本假设的前提下表现稳健，但面对复杂现实数据时可能力不从心。合理使用需结合数据探索、诊断检验（如残差分析）和模型对比。✅ 最终小结：线性回归是“简单但不简陋”的工具——用得好，事半功倍；用得不当，误导结论。始终先验证假设，再决定是否采用。概念。
本文深入探讨了回归分析的多个方面，从基本的线性回归模型定义到复杂模型的扩展形式，包括非线性、非加性、广义线性模型等。使用R语言和`rstanarm`包，我们演示了如何拟合线性回归模型，并通过模拟数据集来解释模型参数。文章还讨论了回归系数的正确解释，强调它们应被视为样本内的平均比较，而非直接的因果效应。此外，探讨了平均回归的历史背景和其在因果推断中的误区，并通过飞行员训练的例子阐释了这一点。最后，提
我们做特征工程的最终目标是模型表现要超过基线模型，目的是挑选/构造出区分度好和目标相关性强/ 对目标值的区分能力比较强的特征。f1_score2 精准率 * 召回率/ 精准率 + 召回率。AUC指标取值范围 0.5 ~ 1。使用模型：KNN，线性回归，逻辑回归，决策树，朴素叶贝斯等等。创建对象, 使用训练集fit测试集predict。精准率 TP/TP+FP。召回率 TP/TP+FN。特征的系数：
机器学习故事汇-线性回归算法【咱们的目标】系列算法讲解旨在用最简单易懂的故事情节帮助大家掌握晦涩无趣的机器学习，适合对数学很头疼的同学们，小板凳走起！
线性回归
——线性回归
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DAMO开发者矩阵
