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

精通代码大仙

【Python数据分析300个实用技巧】75.统计分析与建模之回归诊断黑科技：用残差分析验证模型假设残差分析就像模型的体检报告，那些看似微小的异常波动，可能正藏着改变业务认知的金钥匙。记住，好的模型不仅要会预测，更要会"坦白"自己的局限。下次跑完模型，不妨多花5分钟看看残差图，或许你会发现另一个维度的数据真相。编程之路没有银弹，但掌握这些诊断黑科技，至少能让你的模型少说点谎。保持对数据的敬畏，持续精进诊断技能，你终将成为让数据开口说话的那个"模型医生"。代码修行，道阻且长，但每一个诊断通过的模型，都是你向数据真理迈进的坚实脚印。

阅读 858

16赞

关于ppmlhdfe和possion两个命令回归显示观测值不同对于包含0的数据，但是又希望去估计弹性（平均弹性，而不是每一点的弹性。如果同时要点弹性+包含0的数据，是一个不可能三角，前述QJE已经证明了这一点），possion回归可能是一个比较好的替代方案。这里回到我们的问题。在使用函数“ppmlhdfe”的时候，大家可能发现回归的观测值相较于普通线性回归reghdfe，reg，甚至是possion这个函数，观测值都会少很多。经过一系列尝试，我们发现，主要问题还是样本里Y存在0值的原因（没有研究内部的代码结构，不知道底层的原因）。1. 删掉为0的样本。

阅读 1.1k

3赞

天天Matlab代码科研顾问

LightGBM+Transformer-LSTM多变量回归交通流量预测,附模型研究报告(Matlab) 交通流量预测作为智能交通系统（ITS）的核心组成部分，对城市规划、交通管理、交通诱导和出行决策具有至关重要的意义。准确、可靠的流量预测能够有效缓解交通拥堵，提高道路利用率，降低环境污染，并最终改善人们的出行体验。然而，交通流量受多种因素的影响，例如时间依赖性、空间相关性、天气条件、节假日等，呈现出复杂且动态的变化规律。因此，如何构建一个能够充分捕捉这些复杂关系的预测模型，一直是交通流量预测领域的研究热点。

阅读 975

28赞

天天酷科研

数据回归算法 | Matlab实现SVR支持向量机回归预测模型数据回归算法 | Matlab实现SVR支持向量机回归预测模型

阅读 499

0赞

Transformer-LSTM混合模型在时序回归中的完整流程研究本研究详细梳理了Transformer-LSTM混合模型在时序回归任务中的从数据准备到部署的全流程。此类混合模型充分结合了LSTM的记忆能力和Transformer的全局建模能力，已在多个领域展现出优越性能。优势：混合结构能同时捕捉局部和全局时序特征，提高了复杂数据上的预测精度；Transformer的并行化计算也加快了训练速度。改进方向：可尝试更深的网络（多层LSTM/Transformer）、不同的融合方式（如并行分支）、更丰富的输入特征（如外部时间标签、统计量），或结合卷积层处理局部模式等。

阅读 1.6k

21赞

基于Python的策略开发与回测：均值回归 - 配对交易策略（附可视化代码）基于Python的策略开发与回测：均值回归 - 配对交易策略（附可视化代码）

阅读 1.1k

30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

YOLOv8损失函数改进-增加MPDIoU提升边界框回归精度【附代码】本篇博客我们将详细介绍如何在 YOLOv8项目中增加 MPDIoULoss，包括如何修改配置文件、增加新的损失函数、调整现有的损失计算模块，以及增加训练代码来使用新的损失函数。相信通过这篇博文会使大家更佳熟悉YOLOv8项目的整体结构

阅读 1.1w

41赞

动手学深度学习笔记|3.2线性回归的从零开始实现（附课后习题答案）课后习题答案与技术细节详解

阅读 1.0k

34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

深度解析回归模型评估指标：MAE、MSE、RMSE 与 R² 的详细讲解下面是对 MAE、MSE、RMSE 和 R² 四个指标的详细解释、计算公式、特点以及应用场景的说明：1. MAE(平均绝对误差)定义：MAE(Mean Absolute Error)表示预测值与真实值之间绝对误差的平均值。公式：其中，为真实值，为预测值，为样本数。特点：直观性： MAE 直接反映了预测误差的平均水平...

阅读 7.3k

9赞

985计算机硕士

BP神经网络回归+预测Matlab建模代码 BP神经网络回归+预测Matlab建模代码使用该程序可以：（1）使用BP神经网络对多个自变量和单个因变量进行拟合（2）提供四种性能评价指标（MSE，MAE，SAE，SSE），以测试集指定的性能评价指标最小为原则自动调参以防止过拟合（3）分训练集和测试集显示拟合图、（4）建模后进行预测并画图本程序的所有步骤公开透明，并支持对不同的隐藏层数量+每层不同的隐藏神经元进行自动调参并报告最优参数：同时，本程序支持对以下参数进行调整（1）训练函数，包含12种训练算法（2）传递函数，包含14种传递函数。

阅读 803

35赞

阿龙的代码在报错

正则化实战( Lasso 套索回归,Ridge 岭回归) 正则化实战( Lasso 套索回归,Ridge 岭回归)

阅读 1.5k

29赞

[华为可选实验室] 1.线性回归模拟实验《机器学习》 – 监督学习

阅读 1.3k

42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

回归任务实战——新冠病毒感染人数预测美国统计了连续三天的新冠阳性人数，但是第三天的数据被遮住了，现在用前两天的情况来预测第三天的特征损失是一个标量值，通过特定的损失函数计算得出。损失函数（Loss Function）也被称为代价函数（Cost Function），是一个数学函数，它接收模型的预测值和真实标签作为输入，输出一个数值，这个数值就代表了预测值与真实值之间的差异。正则化是在模型的目标函数（损失函数）中添加一个额外的惩罚项，使得模型的复杂度受到限制，从而避免模型过度拟合训练数据。

阅读 892

14赞

zhonghuagongren

pytorch+BP神经网络+预测回归曲线生成（BP预测回归图，误差分布图、残差图、误差收敛曲线绘制；适合深度学习快速绘图应用者）本文介绍了使用PyTorch创建神经网络图表的过程，包括回归图、误差分布图、残差图和误差收敛曲线的输出。文章首先简要解释了神经网络的基本概念，包括其结构（输入层、隐藏层、输出层）、核心组件（神经元、激活函数、权重和偏置）以及工作原理（正向传播、损失函数、训练目标）。

阅读 1.2k

27赞

动手学深度学习（Pytorch版）代码实践 -深度学习基础-05Softmax回归基础版【代码】动手学深度学习（Pytorch版）代码实践 -深度学习基础-05Softmax回归基础版。

阅读 390

1赞

线性回归：损失函数优化-梯度下降梯度是一个向量，由损失函数对于每个参数的偏导数组成，表示损失函数在参数空间中的变化速率：其中，表示损失函数在点的梯度。梯度下降是一种强大的优化技术，适用于各种机器学习和深度学习模型的训练。理解其基本原理和适用场景，以及如何选择合适的学习率和梯度计算方法，对有效地构建和优化模型至关重要。

阅读 1.2k

10赞

邀_灼灼其华

python代码实现线性回归 python代码实现线性回归

阅读 1.9k

11赞

作者推荐

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

关注

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