回归_人工智能博客-专业IT技术发表平台

推荐付费专栏 VIP文章

没有梦想的咸鱼185-1037-1663

回归分析丨基于R语言复杂数据回归与混合效应模型【多水平/分层/嵌套】技术与代码回归分析丨基于R语言复杂数据回归与混合效应模型【多水平/分层/嵌套】技术与代码

阅读 904

12赞

一颗无畏豆儿

模型评估指标总结（预测指标、分类指标、回归指标）关于模型指标评估总结，涉及预测指标（MAE/MSE/RMSE/等）、分类指标（PR曲线、ROC曲线和AUC曲线）和回归指标（MAE、MSE），还有深度学习中的一些概念如：KL散度、JS散度、常用损失函数，鲁棒性与泛化性

阅读 3.7w

73赞

以山河作礼。

7.机器学习-十大算法之一拉索回归（Lasso）算法原理讲解拉索回归（Lasso Regression）是一种线性回归的正则化形式，它通过引入L1范数惩罚项来实现模型的稀疏性，从而有助于特征选择。在机器学习和统计学中，当数据集具有许多特征时，可能会遇到特征之间存在多重共线性或者某些特征对预测结果影响不大的情况。标准的线性回归方法可能会导致模型过拟合，并且难以解释。为了解决这个问题，拉索回归被提出。它在最小二乘法的基础上，对系数向量添加了一个L1范数惩罚项，这个惩罚项等于所有回归系数绝对值之和的λ倍（λ为惩罚系数）。

阅读 2.3w

109赞

陆璞朝Jocelyn

Lumina-mGPT 2.0：统一多种图像生成任务的自动回归生成模型 Lumina-mGPT 2.0：统一多种图像生成任务的自动回归生成模型 Lumina-mGPT-2.0 Lumina-mGPT 2.0: Stand-Alone AutoRegressive Generative Image Modeling ...

阅读 772

9赞

带娃的IT创业者

机器学习实战(5)：决策树与随机森林——直观的分类与回归方法决策树是一种基于树形结构的监督学习算法，其核心思想是递归地将数据划分为更小的子集，直到满足某种停止条件。每个内部节点表示一个特征测试，每个分支表示测试结果，每个叶节点表示一个类别或输出值。随机森林是一种基于决策树的集成学习算法，通过构建多棵决策树并将它们的结果进行投票或平均来提高模型的稳定性和准确性。本文通过两个实例和代码，使用随机森林对 Wine Quality 数据集进行分类预测，并对结果进行分析和可视化。

阅读 1.4k

36赞

旅途中的宽~

【YOLOv8改进损失函数】用于目标检测的边界框回归损失函数 Powerful-IoU（PIoU）及其改进版本 PIoU v2（含源代码）【YOLOv8改进损失函数】用于目标检测的边界框回归损失函数 Powerful-IoU（PIoU）及其改进版本 PIoU v2（含源代码）

阅读 1.0k

3赞

KAU的云实验台

BiLSTM原理、优化及代码实现(时序预测/分类/回归拟合，Matlab) 同样，BiLSTM也存在一定可进行优化选择的超参数，若采取经验法或试错法，则有不能获取最优取值组合、时间成本高等问题。优化算法通过对超参数组合的随机生成与更新，能够更快速地获取优解，不失为一种应用方法。前面的文章中KAU已经介绍过很多种优化算法及其改进策略，本文中我也会应用这些算法优化BiLSTM，下面简单罗列一些优化算法方便一些朋友查看相应原理。

阅读 9.7k

26赞

回归分析：面板数据分析与回归面板数据（Panel Data），也称为横截面时间序列数据（Cross-Sectional Time-Series Data），是一种在多个时间点上收集多个个体（如国家、公司、个人等）数据的数据结构。这种数据结构结合了横截面数据（Cross-Sectional Data）和时间序列数据（Time Series Data）的特点，能够提供更丰富的信息，从而在回归分析中得到更准确的估计和更深入的洞察。

阅读 3.3k

28赞

阿水实证通

Stata19+H2O集成决策树开挂！GBM与RF调参预测分类回归！SHAP解释性分析亮眼！ H2O机器学习工具包为Stata用户提供了集成决策树（GBM和随机森林）的强大功能，突破传统统计模型的局限。通过直观命令即可实现数据准备、模型训练（支持超参数调优与交叉验证）、性能评估（如ROC曲线、SHAP值解释）及预测分析。以电信客户流失数据集为例，演示了从数据拆分到模型比较的全流程，展现了机器学习在复杂非线性关系中的优势，同时保持结果可解释性。该集成方案让用户在熟悉的Stata环境中即可完成高性能预测建模，无需切换平台。

阅读 888

31赞

最强回归算法，随机森林回归属于 Bagging（.bootstrap aggregating）策略的典型应用。它通过构建多个决策树（基模型），并将它们的预测结果进行平均（回归任务）或投票（分类任务），从而提升模型的泛化能力和鲁棒性。随机森林回归可以从理论理解、算法实现和实践应用三个层面展开学习。），无需手动实现底层算法，专注于数据处理和模型调优。使用 Python 的。

阅读 1.2k

13赞

高斯过程回归GPRMATLAB代码：强大的非参数贝叶斯回归工具高斯过程回归GPRMATLAB代码：强大的非参数贝叶斯回归工具【下载地址】高斯过程回归GPRMATLAB代码这是一份高效且易用的高斯过程回归（Gaussian Process Regression, GPR）Matlab代码，专为处理小样本数据设计。代码经过优化，能够在Matlab环境中快速运行，并提供预测及其不确定...

阅读 734

13赞

【回归算法解析系列12】分位数回归（Quantile Regression）分位数回归凭借其独特的非对称损失函数，为我们揭示了变量关系的分布特征，使我们能够从全分布视角理解数据。在风险管理和费用预测等场景中，分位数回归具有传统回归方法不可替代的价值。同时，通过将分位数回归与神经网络相结合，能够有效处理高维非线性问题，进一步拓展了其应用范围。

阅读 1.6k

16赞

Matlab实现LSTM-ABKDE长短期记忆神经网络自适应带宽核密度估计多变量回归区间预测的详细项目实例在实际应用中，很多复杂系统她数据具有多维、多尺度和非平稳她特她，因此，结合LTTM她核密度估计（KDF）她方法，能够有效处理复杂她高维时序数据。创新之处在她，我们不仅仅依赖LTTM网络她预测能力，同时将SBKDF她自适应带宽特她引入模型中，使得在不同她时间和不同她数据分布条件下，预测结果她精度能够得到进一步提高。本项目她最大特点在她其结合了LTTM和自适应带宽核密度估计（SBKDF）两种技术，分别用她捕捉时间序列数据她长期依赖她和估计预测结果她不确定她。最后，模型她计算复杂度也她需要考虑她重要因素。

阅读 1.0k

24赞

【回归算法解析系列10】支持向量回归（Support Vector Regression, SVR） SVR通过核技巧与ε带巧妙地平衡了模型复杂度与预测精度。RBF核在处理多数非线性问题时表现出色，能够有效地拟合复杂的数据分布；而线性核则在大规模数据计算中展现出优势，通过简化计算过程，提高了模型的训练效率。支持向量占比为我们提供了一个重要的指标，它反映了数据的内在结构和维度，有助于我们进行特征工程，优化模型性能。

阅读 2.1k

45赞

985小水博一枚呀

【大厂面试AI算法题中的知识点】方向涉及：ML/DL/CV/NLP/大数据...本篇介绍各种回归损失的计算方法及其优缺点？【大厂面试AI算法题中的知识点】方向涉及：ML/DL/CV/NLP/大数据...本篇介绍各种回归损失的计算方法及其优缺点？

阅读 2.1k

37赞

自动化测试老司机

测试分层：减少对全链路回归依赖的探索！引言：测试分层与全链路回归的挑战、在软件开发和测试过程中，全链路回归测试往往是一个复杂且耗费资源的环节，尤其在系统庞大且模块众多的场景下，全链路测试的集成难度显著提高。而“测试分层”作为一种结构化的测试方法，可以通过合理划分测试目标和范围，帮助团队减少对全链路回归的依赖，从而提高测试效率并优化资源分配。本文将讨论如何利用测试分层来实现对全链路回归测试的部分替代，以及其在减少冗余测试和保障边界独立性方面的作用。

阅读 1.0k

6赞

李哥深度学习三：回归项目实战 PCA（Principal Component Analysis，主成分分析）是一种常用的降维技术，它通过将高维数据投影到低维空间，保留数据的主要特征，同时减少数据的维度。由项目给出的covid.train.csv，covid.test.csv以及任务要求可知，我们的目标是根据前两天的地区感染情况进而推测出第三天的地区感染情况并以合适的格式输出（.csv文件大概可以理解为是一个table表格）值得注意的是，第一版我的代码（此博客中不显示）中损失函数我用的是相关库中自带的loss函数。

阅读 952

16赞

我不是小upper

从原理到实战讲解回归算法！！! 本内容聚焦时间序列分析中的自相关性问题。首先解释自相关性是时间序列数据中同一变量不同时间点观测值间的关联，可用于挖掘数据周期性与趋势性，但会使回归模型残差不独立，导致参数估计偏差、预测失效及模型评估不可靠。接着介绍检测和处理方法，包括利用自相关函数（ACF）和偏自相关函数（PACF）判断序列阶数，采用差分法消除趋势和季节性，借助自回归移动平均模型（ARMA）及自回归积分移动平均模型（ARIMA）建模自相关性。最后通过 Python 代码示例，展示使用差分法处理时间序列数据、减弱自相关性的具体过程。

阅读 1.2k

21赞

censored：为生存分析与截断回归提供强大引擎 censored：为生存分析与截断回归提供强大引擎 censored Parsnip wrappers for survival models 项目地址: https://gitcode.com/gh_mirrors/ce/cen...

阅读 903

13赞

机器学习模型--线性回归、逻辑回归、分类我眼下日复一日的生活，将会成为我从未体察过的爱的记忆。：OvR（One-vs-Rest）和Softmax多分类的区别是什么？：为什么在处理欺诈检测时，精确率-召回率曲线比ROC曲线更有意义？：为什么高维数据需要正则化？如何选择alpha值？：为什么堆叠集成通常能提升性能？：梯度下降中学习率过大/过小会发生什么？：RBF核中的gamma参数控制什么？：为什么逻辑回归的决策边界是线性的？：K值如何影响模型的偏差-方差权衡？：如何避免多项式回归中的过拟合？

阅读 1.3k

13赞

作者推荐

TomatoSCI: TomatoSCI科研数据分析平台官方账号

关注

小牛壮士: 人工智能学习笔记，供参考

关注

Kenneth風车: 专注AI领域知识分享，Sentosa_DSML官网：https://sentosa.znv.com/

关注