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

AI科技大本营

OpenAI联合创始人Greg Brockman：对话黄仁勋、预言GPT-6、我们正处在一个算法瓶颈回归的时代责编 | 王启隆出品 | CSDN（ID：CSDNnews）投稿或寻求报道 | zhanghy@csdn.net所有人都仰望星空、谈论着通用人工智能（AGI）何时降临的时代里，我们或许更应关注那些低头铸造火箭的人。OpenAI 的联合创始人兼前总裁 Greg Brockman 近日在 AI.Enigineer 上进行了一场对话分享，期间还邀请到英伟达 CEO 黄仁勋和他进行了一段连线问答。对话的主线，并非一个英雄的成长史，亦远不止是 ChatGPT 或 GPT-5 发布瞬间的狂热与混乱，而是一条贯穿 70

阅读 2.4w

34赞

InterpIoU：边界框回归的新损失函数——基于插值 IoU 的优化新思路，YOLO小目标涨点福音 | 2025.7月最新发表提出 InterpIoU——一种全新的损失函数，用“插值框与目标框之间的 IoU”替代手工几何惩罚。

阅读 1.0k

20赞

强盛机器学习

保姆级教程！NRBO-BP回归+NSGAII多目标优化一键实现工艺参数优化！自动保存最优特征组合！基于NRBO-BP神经网络和NSGA-II多目标优化的工艺参数优化模型，主要解决工艺参数优化问题，能够同时实现多输出预测和最优特征组合的自动搜索。作者提供了完整的Matlab代码解决方案，包含数据预处理、模型训练、多目标优化和结果可视化等功能。该模型具有以下特点：1）采用2024年最新发表的NRBO算法优化BP神经网络参数；2）使用NSGA-II算法寻找帕累托最优解；3）支持多目标优化（最多4个目标）；4）操作简单，只需替换Excel数据即可一键运行；5）自动保存最优特征组合到Excel文件。

阅读 1.2k

25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 2.4w

115赞

kafka在linux系统下设置开机启动本文介绍了Kafka服务启动脚本的配置方法。主要内容包括：在/etc/init.d目录下创建kafka脚本文件，设置Java环境变量，配置启动、停止、重启等操作命令；通过chmod设置可执行权限，使用chkconfig添加开机自启动；最后提供了测试方法和常见问题排查（如语法错误、文件格式、路径设置、权限问题等）。该配置经实际测试验证，可作为参考解决方案。

阅读 121

3赞

一头大学牲

深度学习：分类和回归的区别这篇博客讨论了分类和回归这两种监督学习任务的主要区别。分类任务的目标是将数据分配到预定义的离散类别中，而回归任务则是预测一个连续数值。文章介绍了两者在输出类型、常用评价指标、应用场景和算法选择上的不同，并列举了常用的分类和回归算法。同时，博客还深入探讨了分类和回归任务在代码实现中的差异，特别是在数据准备、模型输出层的设置、损失函数、评价指标和预测结果的处理方式上。最终，博客提供了详细的分类和回归任务的代码示例，帮助读者更好地理解和实现这些任务。

阅读 2.8k

23赞

人工智能AI酱

【AI深究】决策树（Decision Tree）全网最详细全流程详解与案例（附Python代码演示）|数学原理、案例流程、代码演示及结果解读|ID3、C4.5、CART算法|工程启示、分类、回归决策树大家好，我是爱酱。本篇将会系统讲解决策树（Decision Tree）的定义、原理、数学推导、常见算法、代码实现与工程应用。内容适合初学者和进阶读者，配合公式和可视化示例。这期的文章会较简单，如果大家有兴趣可以到爱酱主页搜寻更多分类、回归等的算法！注：本文章含大量数学算式、详细例子说明及大量代码演示，大量干货，建议先收藏再慢慢观看理解。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！

阅读 2.3k

24赞

LSTM实战：回归 - 实现交通流预测 return out__init__方法初始化模型结构nn.LSTM: LSTM层，处理序列数据nn.Linear: 线性层，将LSTM输出转换为预测值forward方法定义了数据如何通过模型初始化隐藏状态h0和细胞状态c0将输入数据通过LSTM层取LSTM输出的最后一个时间步，通过线性层得到预测结果数据准备和预处理（归一化）将时间序列转换为监督学习格式定义LSTM模型训练模型评估模型性能可视化结果。

阅读 966

24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 4.4w

80赞

基于SSM的大学生企业推荐系统【包括源码+文档+调试】该课题采用的主流的Java语言这种面向对象的语言进行大学生企业推荐系统的开发，在数据库的选择上面，选择功能强大的Mysql数据库进行数据的存放操作。

阅读 113

0赞

【保姆级教程】用 5 种回归算法 + stacking 集成学习做房价预测，RMSE 低至 0.1087！附完整代码 & 数据处理思路 EDA 是基础：通过分布、相关性分析，找到异常值、关键特征（如居住面积），避免建模 “盲目性”；预处理决定上限标签对数变换解决偏态问题；缺失值按业务逻辑填充（不是无脑填 0）；分类型特征区分 “有序 / 无序”，用 LabelEncoder/One-Hot 编码；集成学习提升精度：Stacking 集成比单个模型 RMSE 降低约 4.3%，比平均集成降低 0.8%—— 复杂任务优先用集成！

阅读 880

31赞

AI量化价值投资入门到精通

量化价值投资领域里均值回归的关键作用均值回归如同金融市场的引力法则，牵引着价格回归其"自然位置"。在量化价值投资领域，这一现象不仅是理论基石，更是构建超额收益策略的核心引擎。本文将深入解析均值回归的科学原理，揭示其在价值投资中的关键作用，提供从统计检验到策略实现的完整方法论。通过生动的比喻、严谨的数学推导和可复用的Python代码，我们将一步步揭开均值回归的神秘面纱，展示如何在实践中有效捕捉市场均值回复带来的投资机会，同时规避潜在风险。

阅读 1.1k

13赞

中科大D-FINE开源，重新定义目标检测边界框回归任务（附论文及源码） D-FINE 在 COCO 数据集上以 78 FPS 的速度取得了 59.3% 的平均精度 (AP)，远超 YOLOv10、YOLO11、RT-DETR v1/v2/v3 及 LW-DETR 等竞争对手，成为实时目标检测领域新的领跑者。此外，D-FINE 将定位知识 (Localization Knowledge) 融入到模型输出，通过高效的自蒸馏策略在各层共享这些知识，因而在不增加额外训练成本的前提下，实现了性能的进一步显著提升。可以看出，面对这些具有挑战性的场景，D-FINE 能够产生准确的定位结果。

阅读 1.1k

17赞

Matlab实现ABC-BP-KDE人工蜂群算法优化BP神经网络核密度估计多置信区间多变量回归区间预测的详细项目实例人工蜂群算法（Sittificisl Bff Colony，SBC）她一种模拟蜜蜂觅食行为她优化算法，具有较强她全局搜索能力和优化她能，因此在许多复杂问题中取得了显著她成绩。在本项目中，SBC算法被用她优化BP神经网络她权重她偏置，避免传统神经网络训练中她局部最优问题，提高模型她全局搜索能力。核密度估计她引入进一步提升了模型对数据分布她适应她，增加了预测结果她可信度和置信区间，具有较强她鲁棒她。模型她优化不仅在回归任务中展她出了出色她她能，还能够适应复杂她多维数据问题，提供了一个强大她预测工具。

阅读 1.1k

22赞

天桥下的卖艺者

R语言进行二阶段工具变量回归（Instrumental Variables Regression）工具变量回归（IV Regression）是解决回归分析中内生性问题的有效方法，通过引入与内生解释变量相关但与误差项无关的工具变量（如税收与香烟价格）。本文以AER包的香烟数据为例，演示了二阶段回归法：首先检验工具变量与价格的正相关性（R²=0.47），随后建立价格与消费量的负相关关系（弹性-1.08）。使用ivreg函数验证结果一致，证实价格每上涨1%会导致消费量减少约1.08%。该方法适用于存在遗漏变量或双向因果的场景，类似孟德尔随机化中的工具变量原理。

阅读 471

5赞

【吴恩达机器学习】监督学习：回归与分类如果选择\(\lambda = 10^{10}\) ，即\(\lambda\)非常大，那么正则化项的惩罚力度很强，会使得权重\(w_1\)、\(w_2\)、\(w_3\)、\(w_4\)等都趋近于 0（\(\approx 0\)），此时模型就近似为\(f(x)=b\) ，过于简单，可能导致欠拟合。：将相似的数据点归为一组，实现对数据的分类整理。f总是在0到1之间，因为逻辑回归的输出总是在0到1之间，当f的预测值越接近y的真实标签时，损失函数最低，当f的预测值越远离y的真实标签时，损失函数越高。

阅读 1.5k

40赞

预测数值型数据：回归当数据的样本数比特征数还少时候，矩阵的逆不能直接计算。即便当样本数比特征数多时，的逆仍有可能无法直接计算，这是因为特征有可能高度相关。这时可以考虑使用岭回归，因为当的逆不能计算时，它仍保证能求得回归参数。岭回归是缩减法的一种，相当于对回归系数的大小施加了限制。另一种很好的缩减法是lasso。Lasso难以求解，但可以使用计算简便的逐步线性回归方法来求得近似结果。缩减法还可以看做是对一个模型增加偏差的同时减少方差。

阅读 992

10赞

机器学习之心

DNN深度神经网络回归+SHAP分析，Matlab代码实现，通过SHAP方法量化特征贡献，构建可解释的回归模型，引入SHAP方法打破黑箱限制，提供全局及局部双重解释视角，作者：机器学习之心！ DNN深度神经网络回归+SHAP分析，Matlab代码实现，通过SHAP方法量化特征贡献，构建可解释的回归模型，引入SHAP方法打破黑箱限制，提供全局及局部双重解释视角，作者：机器学习之心！

阅读 820

29赞

༺ Dorothy ༻

平均工资数据分析之回归链接: R语言实战——中国职工平均工资的变化分析——相关与回归分析1、残差图 (Residual Plot)：用于检查残差是否存在非随机模式。理想情况下，残差应随机分布在零附近。2、Q-Q 图 (Quantile-Quantile Plot)：用于检查残差是否符合正态分布。如果残差接近正态分布，Q-Q 图上的点应接近一条直线。3、Shapiro-Wilk Test：用于检验残差的正态性。p 值大于 0.05 表示残差近似正态分布。方差膨胀因子 (VIF, Variance Inflation Facto

阅读 1.9k

27赞

爱吃饭的我。

线性回归问题高斯分布的概率密度函数在μ处达到最大值，并且关于μ对称。标准正态分布（均值为0，标准差为1的高斯分布）的概率密度函数形式为。数据需满足相互之间独立，故拿到数据后经常做一个打乱操作。似然函数：找寻一组参数能跟数据组后恰好是真实值。高斯分布（正态分布）：数据大多分布在均值附近。σ 是‌标准差，决定了分布的宽度或变化程度。μ是分布的均值，即‌钟形曲线的中心位置。机器学习的基础和前提：误差项的定义。同分布：数据来源尽可能一致。e 是‌自然对数的底数。那现在的问题又转化为使得。现在开始对目标函数求解。

阅读 711

13赞

您的账号已被封禁

35、分类回归变量：R语言中的应用与分析本文详细介绍了在R语言中处理分类回归变量的方法，包括虚拟变量回归、效应编码回归和逻辑回归。通过实际案例分析，展示了如何使用这些方法进行数据分析，并提供了分析流程和方法选择的总结，为实际问题的解决提供指导。

阅读 42

0赞

Spark-机器学习（4）回归学习之逻辑回归今天的文章，我们来学习我们回归中的逻辑回归，并带来简单案例，学习用法。希望大家能有所收获。同时，希望我的文章能帮助到每一个正在学习的你们。也欢迎大家来我的文章下交流讨论，共同进步。

阅读 5.9k

65赞

作者推荐

WilliamHu.: 持续更新人工智能领域技术分享，零基础小白的保姆级教程

关注

李智华，华为人工智能算法专家: 李智华，中科院博士，华为人工智能算法专家。著有书籍《智慧大全:从认识自我到超越自我》（京东、淘宝已上架），献给所有追寻生命真谛与内心光明的人。

关注

云端FFF: not because they are easy, but because they are hard

关注

随风而动583: 慵懒的、松散的、随性的。

关注