-
-
线性回归分析
本章介绍用线性模型处理回归问题。从简单问题开始,先处理一个响应变量和一个解释变量的一元问题。然后,我们介绍多元线性回归问题(multiple linear regression),线性约束由多个解释变量构成。紧接着,我们介绍多项式回归分析(polynomial regression问题),一种具有非线性关系的多元线性回归问题。最后,我们介绍如果训练模型获取目标函数最小化的参数值。在研究一个大数据集问题之前,我们先从一个小问题开始学习建立模型和学习算法。
-
-
单变量线性回归测试
用于单变量线性回归测试的一个数据集。单变量线性回归的代码在另一篇博文中可见。
-
多变量线性回归数据
用于多变量线性回归的测试数据集,关于多变量线性回归的代码在另一篇博客中可见
-
线性回归预测
• 逻辑回归是线性回归的一种,线性回归是回归的一种
• 线性回归可以用在预测或分类,多维度(feature)线性问题求解上
• 可以用最小二乘法,梯度下降法求解线性预测函数的系数
• 梯度下降法的核心步骤是:设置系数范围,设定系数梯度,固定其他系数,对某一个系数穷举求方差最小最优解
-
-
python实现逻辑回归与梯度下降策略
逻辑回归是在线性回归的基础上,增加一个转化函数,能够将预测值映射到【0,1】之间,以0.5为分界线,从而达到分类的目的。其中经常用到的转化函数是sigmoid:
-
机器学习之逻辑回归
逻辑回归是应用非常广泛的一个分类机器学习算法,它将数据拟合到一个logit函数(或者叫做logistic函数)中,从而能够完成对事件发生的概率进行预测。
-
逻辑回归练习
对应机器学习基础的逻辑回归练习资源。。。。。。。。
-
-