- 综合排序
- 最热优先
- 最新优先
- 来自专栏翻译scikit-learn Cookbook
2 Working with Linear Models 2 线性模型
In this chapter, we will cover the following topics:在这章，将涵盖以下主题： 1、 Fitting a line through data将数据进行线性拟合 2、 Evaluating the linear regression model评估线性回归模型 3、 Using ridge regression to overcome linear regression's shortfalls使用岭回归解决线性回归的误差问题 4、 Optimizing the ridge regression paramete最优化岭回归参数 5、 Using sparsity to regularization with LARS使用更基本的近似方法LARS回归 7、 Using linear methods for classification – logistic regression使用线性方法进行分类 线性模型是机器学习的基本分析方法，很多方法依赖变量组合间的线性关系来描述数据之间的关系，通常，为了让数据能够被线性关系描述，必须进行很大的努力来做必要的变换。
51600发布于 2019-11-10 - 来自专栏木木在学习
tflearn学习2 线性回归
pip install tensorflow tflearn 二：代码 创建py文件（我这里是XianXingHuiGui.py） """ 线性回归实例 """ from __future__ import Y = [1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,2.827,3.465,1.65,2.904,2.42,2.94,1.3] # 线性回归模型 tflearn.regression(linear, optimizer='sgd', loss='mean_square', metric='R2'
67810发布于 2019-04-28 - 来自专栏巴山学长
非线性可视化（2）非线性相图
前文我们介绍了线性系统的相图绘制。 这篇文章里，我们用几个例子，来介绍非线性系统的相图的绘制方法。 所以对于自治二阶系统，二阶的相平面已经可以完全的描述出系统的运动状态，无论线性还是非线性。 其中二阶非线性方程的公式如下： 绘制出空间中每一个点的系统导数，绘制出流线，即可得到这个非线性系统的相图。 可以看到，非线性系统的相平面，可能拥有不止一个平衡点。 ([-1.5,1.5]) xlabel('y');ylabel('dy') %非线性极限环 t2=0:0.01:18; [y,Output]=ODE_RK4_hyh(t2,t2(2)-t2(1),[- 非线性系统(第3版)[M].电子工业出版社,2005. [2]Morris W. Hirsch.
1.8K10编辑于 2023-03-15 - 来自专栏一英里广度一英寸深度的学习
线性排序算法-堆排序 (2)
self.heap[j] = tmp def swapUp(self,index): while(index>0): parent = (index-1)//2 else: break def swapDown(self,index): lchild = index*2+ self.swap(index,rchild) index = rchild lchild = index*2+ self.swap(index,lchild) index = lchild lchild = index*2+
76730发布于 2018-09-12 - 来自专栏Michael阿明学习之路
2. 简单线性回归
简单线性回归 import numpy as np import matplotlib.pyplot as plt X = np.array([[6],[8],[10],[14],[18]]) y = np.array([[12]]) pred_price = model.predict(test_pizza) pred_price # array([13.68103448]) 误差 ∑(yi−f(xi))2\ sum(y_i-f(x_i))^2∑(yi−f(xi))2 print("误差平方和：%.2f" % np.mean((model.predict(X)-y)**2)) 误差平方和：1.75 方差 var(x)=∑(xi−xˉ)2n−1var(x) = \frac{\sum(x_i-\bar x)^2}{n-1}var(x)=n−1∑(xi−xˉ)2 # 方差 x_bar = X.mean() 评价模型 R2=1−∑(yi−f(xi))2∑(yi−yˉ)2R^2 = 1-\frac{\sum(y_i-f(x_i))^2}{\sum(y_i-\bar y)^2}R2=1−∑(yi−yˉ)2∑
99330发布于 2020-07-13 - 来自专栏硅光技术分享
机器学习笔记2：线性回归
这一篇笔记整理下线性回归(linear regression)的相关知识点。 线性回归，是指数据集的输出值y与特征值(x1, x2...)之间满足线性关系, 数学表达式为， ? 当数据集只有一个feature时，即为单变量线性回归，当含有多个feature时，即为多变量线性回归。 举一个单变量线性回归的例子，下图为不同城市人口与相应酒店盈利的数据，蓝线对应最终学习到的模型，经营者可根据此模型来决策是否在新的城市开设酒店。 ? 对于线性回归的问题，其代价函数定义为， ? 其中 ? 需要做的是，找寻一组theta值，使得代价函数取极小值。 常用的两种算法是： 1）梯度下降法 ? 2）正规方程(normal equation)法 z ? 上式是通过求解 ? 得到。可能存在的一个问题: X^T*X矩阵不可逆，可使用伪逆函数pinv()进行求解。
72320发布于 2020-08-13 - 来自专栏后端技术
tensorflow2线性拟合教程
一个线性拟合的例子，不懂可以问哈，我偶尔会登录看博客 import os import tensorflow as tf import numpy as np os.environ['CUDA_VISIBLE_DEVICES with tf.GradientTape() as tape: loss = tf.reduce_mean(tf.math.pow(y_predict - y_batch, 2) y_predict = W * x_batch + b loss = tf.reduce_mean(tf.math.pow(y_predict - y_batch, 2)
63610发布于 2019-11-04 - 来自专栏育种数据分析之放飞自我
混合线性模型学习笔记2
教程使用的还是上一篇的PPT内容：混合线性模型学习笔记1 这一个章节主要是介绍混线性模型的应用，其实我们很多本科时候学的统计学知识（大都是一般线性模型，回归分析，方差分析等等）都可以放在混合线性模型的框架下进行分析 ，就像物理学中，牛顿的经典力学是一般线性模型，而爱因斯坦的广义相对论是混合线性模型，牛顿的力学只是广义相对论的一个特例，同样，一般线性模型只是混合线性模型的一个特例（没有随机因子，残差结构单一的正态分布 模块划分 从模块来看，从混合线性模型的介绍，随机区组的试验设计，裂区试验的分析，协方差的分析，重复测量数据的分析，基本包含了常见的分析类型。 2. 为何要使用混合线性模型 这里做了一个概述，为何要使用混合线性模型？ 可以考虑数据间的相关性（定义残差相关） 可以处理数据间的结构性的相关（作为随机因子） 可以处理方差不齐次的情况 有些数据，只能用混合线性模型分析（不满足一般线性模型的假定） 换句话说：用混合线性模型代替一般线性模型进行分析
68940发布于 2020-05-13 - 来自专栏程序员的时光
线性表（2）——单链表
LinkList(LinkNode head, int size) { super(); this.head = head; this.size = size; } } 2， 再建方法类LinkListDao类； 这里面包含一些对线性表操作的方法； 如：初始化链表，指定位置插入元素，删除指定位置的值，获得链表长度等； package com.java.dao; import list, 0, "A"); linkListDao.Insert_LinkList(list, 1, "B"); linkListDao.Insert_LinkList(list, 2, linkListDao.Print_LinkList(list); System.out.println(); //删除指定位置的值 linkListDao.RemoveByPos_LinkList(list, 2)
42520发布于 2020-07-14 - 来自专栏深度学习|机器学习|歌声合成|语音合成
tensorflow2系类知识-2：线性模型
文章目录 tensorflow2线性模型 步骤 源代码 tensorflow2线性模型 步骤 使用 tf.keras.datasets 获得数据集并预处理 使用 tf.keras.Model 和 tf.keras.layers
40020发布于 2021-01-14 - 来自专栏小赵的Java学习
数据结构——线性表（2）
上接 数据结构——线性表（1） 上文中介绍了线性表的顺序存储结构和单链表的介绍与代码实现，接下来，继续介绍线性表的链式存储 循环链表 在座的各位都很年轻，不会觉得日月如梭。 总结回顾 这两篇文章，我们主要讲的是线性表。 先谈了它的定义，线性表是零个或多个具有相同类型的数据元素的有限序列。然后谈了线性表的抽象数据类型，如它的一些基本操作。 之后我们就线性表的两大结构做了讲述，先讲的是比较容易的顺序存储结构，指的是用一段地址连续的存储单元依次存储线性表的数据元素。通常我们都是用数组来实现这一结构。 总的来说，线性表的这两种结构其实是后面其他数据结构的基础，把它们学明白了，对后面的学习有着至关重要的作用。 就像我们的线性表的顺序存储结构一样，位置是排好的，一切都得慢慢来。 可见，舒适环境是很难培养出坚强品格，被安排好的人生，也很难做出伟大事业。
39630编辑于 2022-12-02 - 来自专栏生信补给站
R|ML_code-线性回归（2）
本文简单的介绍一下简单线性回归。 Importing the dataset dataset <- read.csv('studentscores.csv') #时间和得分之间的关系 Hours Scores 1 2.5 21 2 如图可见符合线性回归模型，根据训练集数据进行回归函数分析，并对测试数据进行预测。 2 数据预处理 首先按照上次分享的进行数据预处理 R|ML_code-入门（1） 3 训练集和测试集 将数据按照4:1拆分，每一组分别包含自变量和因变量 # Splitting the dataset 简单的线性回归就到这，下次多元线性回归。。。。。。
57320发布于 2020-08-06 第2章——线性表习题
p : q; //p为空则把q接上，否则把 p 接上 free(b); //把 b 的头结点内存释放 } （2）和上一个差不多，遇到相等的时候两个都连上去就行了。 思路：通过线性遍历，遇到等于item的元素使延迟长度 l++ ，后续不是item的元素前移 l 个位置覆盖之前的值即可。
14310编辑于 2025-08-26- 来自专栏AI机器学习与深度学习算法
学习分类 2-5 线性可分
线性可分 感知机非常简单同时又很容易理解，但是相对应的，缺点也很多。感知机最大的缺点就是它只能解决线性可分的问题。 线性可分其实很好理解，简单来说就是可以用直线将属于不同种类的训练数据区分开来。 单层感知机是一个很弱的模型，只能处理线性可分的分类问题，但是堆叠多个单层感知机的多层感知机能够处理非线性可分的分类问题。多层感知机就是所谓的神经网络。
56010编辑于 2022-11-08 - 来自专栏第一专栏
线性神经网路——线性回归随笔【深度学习】【PyTorch】【d2l】
3.1、线性回归 线性回归是显式解，深度学习中绝大多数遇到的都是隐式解。 3.1.1、PyTorch 从零实现线性回归 %matplotlib inline import random import torch #d2l库中的torch模块，并将其用别名d2l引用。 d2l.plt.scatter(,,)，使用d2l库中的绘图函数来创建散点图。 net =linreg #表示模型，这里使用了一个名为linreg的线性回归模型。 loss = squared_loss#表示损失函数，这里使用了一个名为squared_loss的均方损失函数。 使用框架预定好的层 from torch import nn #线性回归就是一个简单的单层神经网络 #一个全连接层，它接受大小为 2 的输入特征，并输出大小为 1 的特征。
1.2K42编辑于 2023-07-24 - 来自专栏机器学习炼丹之旅
CS231n：2 线性分类器
从图像到标签值的映射 image.png 2. 对线性分类器的解释 2.1 直观理解 如下图就是线性分类器的工作过程，对于一张图片，假设是个黑白的 2*2 的图片，我们首先将其展开成一个 4*1 的列向量。 那么线性分类器的原理是什么呢？评估函数通过调整参数，使得其有能力倾向于或者不倾向于图片某个位置的某个颜色。 所以，线性分类器其实就是在做模板匹配的过程，而这些模板是从训练集中的图片训练得到的。另外还有一种理解角度，可以把线性分类器看成一种更高效的KNN算法。 只是区别在于它不用和KNN一样存下整个训练集，而是将训练集浓缩成一个模板图片 W ，并且将内积作为距离函数，而不是KNN中的L1和L2距离。
63310编辑于 2022-08-08 - 来自专栏菩提树下的杨过
机器学习笔记(2)：线性回归-使用gluon
zh.gluon.ai/chapter_supervised-learning/linear-regression-gluon.html 1 from mxnet import ndarray as nd 2 from mxnet import autograd 3 from mxnet import gluon 4 5 num_inputs = 2 6 num_examples = 1000 7 8 true_w = [2, -3.4] 9 true_b = 4.2 10 11 X = nd.random_normal(shape=(num_examples, num_inputs)) #1000行，2列的数据集 12 y = true_w[0] * X[:, 0] + true_w[1] * X[:, 1] + true_b #已知答案的结果 13 y += .01 * nd.random_normal (gluon.nn.Dense(1)) 23 24 #3 参数初始化 25 net.initialize() 26 27 #4 损失函数 28 square_loss = gluon.loss.L2Loss
48430发布于 2018-09-20 - 来自专栏Soul Joy Hub
《deep learning》学习笔记（2）——线性代数
.]]) ## 生成三维的随机张量，三个维度分别为２,3,4 >>> np.random.rand(2,3,4) array([[[ 0.93187582, 0.4942617 , 0.23241437 >>> A = np.arange(6).reshape(3,2) >>> B = np.arange(6).reshape(2,3) >>> A array([[0, 1], [2, 3 >>> A = np.arange(4).reshape(2,2) >>> A array([[0, 1], [2, 3]]) >>> np.linalg.inv(A) array([[- 1.5, 0.5], [ 1. , 0. ]]) 2.4 线性相关和生成子空间 ? 如果一组向量中的任意一个向量都不能表示成其他向量的线性组合，那么这组向量被称为线性无关。 2.5 范数 在机器学习中，我们经常使用被称为范数（norm）的函数衡量向量大小： ?
68250发布于 2019-02-13 - 来自专栏LeetCode
2个线性表查找的优化
2.有序表的二分查找法的优化 在二分查找中，我们常常对mid的更新为： mid = left +(right - left)/2; 你是否想过，为是1/2而不是1/4或1/3呢？ 实际上，如果待查的数据比较均匀，那么1/2是一个很好的选择，一旦待查数据中的数据是极度不均匀的，那么就需要考虑插值查找法。 我们将1/2用 (target - arr[left])/(arr[right] - arr[left])代替，就是插值查找法。
72340发布于 2018-10-29 - 来自专栏二猫の家
PyTorch 基础篇（2）：线性回归（Linear Regression）
[2.53], [1.221], [2.827], [3.465], [1.65], [2.904], [1.3]], dtype=np.float32) # 线性回归模型
51610编辑于 2023-12-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号