西瓜书Task 2 线性回归

基本形式

向量元素用分号“; ”分隔:列向量,用逗号“ , ”分隔时表示:行向量

线性回归

#线性模型:通过属性的线性组合进行预测的函数

属性数值化:非数值类属性——特征工程

#确定wb:衡量差别→均方差最小化(最小二乘法)3.4→参数估计(对wb求导)3.6

多元线性回归:

#类似开头(3.1)

#类似开头(3.4)

#类似开头(3.5)

另(3.10)等于0

#最终学得模型

#梯度:n元函数各分量偏导数存在,一阶可导
#hessian:n元函数各分量二阶偏导数存在,为对称矩阵
#极大似然估计:随机变量☞联合概率:样本的似然函数→L取得最大值,概率最大→确定概率分布

  • 3
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python中,可以使用线性回归和非线性回归来进行数据建模和预测。引用中提到的决策树和随机森林是非线性回归的经典算法,可以使用sklearn库中的相关函数进行实现。另外,还可以使用Keras库中的神经网络模型来进行非线性回归。引用中提到的支持向量机(SVM)也可以用于非线性回归,其中支持向量机非线性回归模型(SVR)是常用的方法之一。 对于线性回归,可以使用sklearn库中的线性模型(Linear Regression)来实现。具体步骤包括导入相应的库、准备数据、创建模型、拟合数据和进行预测。以下是一个简单的线性回归示例代码: ```python import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression # 准备数据 x = np.array([[1], [2], [3], [4], [5], [6], [7], [8], [9], [10]]) y = np.array([4.187, 0.964, 0.853, 0.305, 0.358, 0.338, 0.368, 0.222, 0.798, 1.515]) # 创建模型 model = LinearRegression() # 拟合数据 model.fit(x, y) # 进行预测 x_new = np.array([[11]]) y_pred = model.predict(x_new) # 打印预测结果 print("预测结果:", y_pred) ``` 对于非线性回归,可以使用决策树、随机森林或神经网络等算法来实现。具体步骤和代码可以参考引用中提到的示例,通过导入相应的库和函数,并根据数据的特点选择合适的算法和模型来进行建模和预测。<span class="em">1</span><span class="em">2</span> #### 引用[.reference_title] - *1* [Python线性回归](https://download.csdn.net/download/weixin_38686080/14856924)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [python 机器学习之支持向量机非线性回归SVR模型](https://download.csdn.net/download/weixin_38622467/14914405)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值