登录社区云，与社区用户共同成长
邀请您加入社区
一 线性归回拟合回归的目的是预测数值型的目标值，相当于自变量和因变量的关系，最直接的预测方法就是数学公式。如果自变量和因变量满足线性关系，那么他们的关系可以用线性方程y=wx+b 表示w和b就是回归系数。在知道x和y 的前提下，目标是找到使误差（预测值和实际值之间的距离）最小的w。对一维向量：有n个点（x1，y1），…（xi，yi），…（xn，yn）对w求导令其为0，可以得到w的估计值。y=wx+
线性回归（附课后习题答案）
简单的说，是因为使用平方形式的时候，使用的是“最小二乘法”的思想，这里的“二乘”指的是用平方来度量观测点与估计点的距离（远近），“最小”指的是参数值要保证各个观测点与估计点的距离的平方和达到最小。假如我们将青少年的身高和体重值作为坐标，不同人的身高体重就会在平面上构成不同的坐标点，然后用一条直线，尽可能的去拟合这些点，这就是简单的线性回归。简单线性回归中，一个变量跟另一个变量的变化而变化，但是生活
固体氧化物燃料电池SOFC模型，COMSOL电池仿真计算。
本文是吴恩达机器学习课程的第一篇学习笔记，系统地介绍了机器学习的入门核心概念。文章首先对两大基本范式进行区分：利用带标签数据进行预测的“监督学习”（包含回归与分类），以及在无标签数据中探索内在结构的“无监督学习”（以聚类为例）。随后，文章聚焦于监督学习中的第一个具体算法——单变量线性回归，详细定义了其模型表示 f(x)=wx+b 及相关术语。最后，引入了衡量模型性能的关键工具“代价函数”，通过可视
本文围绕线性回归这一监督学习基础回归算法展开，系统梳理其核心知识点与实践应用。线性回归通过构建自变量（特征）与因变量（目标值）的线性关系模型，实现连续型标签预测，分为仅含1个自变量的一元线性回归（表达式为\(y=w_0+w_1x+\varepsilon\)）和含2个及以上自变量的多元线性回归（矩阵形式为\(Y=XW+\varepsilon\)），对应sklearn中的LinearRegressio
机器学习学习笔记——2
中山大学卫生统计学机考复习整理（学生整理）
线性回归（Linear Regression）是一种通过拟合自变量与因变量之间的 “线性函数关系”，来描述因变量随自变量变化规律的方法。这里的 “线性” 核心是 “对模型参数线性”（后面会具体解释），而非对自变量线性。比如：想探究 “房屋面积（自变量 x）与房价（因变量 y）的关系”，线性回归会尝试找到一个公式（如 y=β₀+β₁x），其中 β₀、β₁是参数，通过数据估计这两个参数后，就能用面积预
《机器学习实战》和 UdacityML学习笔记1.回归模型的选择在线性回归中，可以通过改变特征的数量测试模型的拟合程度。各种特征数量的模型拟合情况如图所示，当特征值k等于3的时候，相对更好地拟合了原数据，但又不糊像当K=8时那样夸张。（过度拟合）。其实在绘制误差和特征数量图的时候也可以发现，特征数量从3到8，误差机会没变，就时说引入的额外的特征根本没又起作用。所以可以得出结论，在训练过程中
2026年6月，英伟达黄仁勋定调Physical AI及世界模型为下一浪潮，Cosmos 3开源，达沃斯列入十大新兴技术。本文指出当前AI Agent缺乏物理公理致旋转仿真/流体外推失效，《旋生万物》从"退化圆"出发构建旋子代数与螺旋联络统一旋转、平移及物理定律，为世界模型提供几何先验；《圆道与螺旋系列丛书》（22部·300万字·公理I²=-N）覆盖螺旋数论至生成式AI提示工程。适合Java/Py
本文系统性探讨了将CUDA内核迁移至OpenCLAW异构计算框架的技术路径。文章首先分析CUDA在现代异构环境中的局限性，包括硬件碎片化和可移植性挑战；然后深入解析OpenCLAW的核心架构，包括任务图抽象、统一内存模型和编译器栈设计；接着提供完整的迁移方法论，涵盖代码评估、任务图重构、内存管理转换和性能调优等关键步骤；最后通过向量加法、矩阵乘法等实战案例展示迁移过程，并对比不同硬件后端的性能表现
线性回归分析工具 该工具提供线性回归分析功能，支持手动输入数据或生成随机数据，自动计算回归方程（斜率、截距）和相关系数。用户输入格式为"x1,y1;x2,y2;..."，点击按钮即可拟合回归直线并可视化结果。界面包含数据输入区、绘图区和分析结果显示区，清晰展示回归方程、相关系数及相关程度。通过Canvas绘制数据点和回归直线，帮助直观理解线性回归原理。
一套开箱即用的学生学业成绩预测实践资源，整合真实校园卡行为数据——包括食堂消费频次与金额、图书馆借阅书目与次数、宿舍/教学楼门禁进出时间戳、图书分类目录编码等，全部预处理为标准化numpy数组（score.npy、consumption.npy、borrow.npy、access.npy、catalog.npy）。配套Python脚本支持端到端流程：data_convert.py可将原始txt文本
这个资源包提供一个不依赖深度学习框架的线性回归变分贝叶斯实现，核心是variational_lin_reg.py脚本。它通过优化证据下界（ELBO）来近似权重和噪声方差的后验分布，全程不用MCMC采样，适合中等规模数据下的快速贝叶斯建模。代码支持自定义高斯先验超参、输入特征自动标准化，并返回带标准差的预测结果，方便量化预测不确定性。内置收敛判断、迭代更新逻辑和ELBO监控机制，结构清晰，便于理解变
线性回归是机器学习最基础的监督学习模型，其核心在于通过优化目标函数（如均方误差）寻找最优参数。最小二乘法从几何投影与代数求解双重视角给出解析解，而梯度下降则以可微、可迭代、可调试的方式实现数值优化。二者分别体现确定性求解与过程性学习的本质差异，在特征共线性、离群点鲁棒性、生产环境容错等真实场景中表现迥异。掌握它们不仅是理解回归本身的关键，更是深入逻辑回归、神经网络等后续算法的必经之路。本文聚焦纯N
梯度下降是机器学习最基础的优化算法，其核心在于通过损失函数的一阶导数指引参数迭代更新方向。理解其数学原理（如MSE损失推导、偏导计算）与工程实现（梯度符号、维度对齐、学习率量纲匹配）的对应关系，是掌握模型训练本质的关键。该技术广泛应用于线性回归、逻辑回归等经典模型，也是深度学习优化器（如SGD、Adam）的理论基石。本文聚焦单特征线性回归场景，使用纯NumPy手写完整梯度下降流程，强调过程可视化、
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
龙虾开发者社区
HarmonyOS开发者社区
脑启社区
