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

写代码的M教授

用Python实现9大回归算法详解——08. 随机森林回归算法随机森林回归是一种强大的回归算法，通过结合多棵决策树的预测结果来提升模型的性能。它能够有效处理高维数据，并具有较强的抗过拟合能力。通过合理调优模型的参数，随机森林回归可以在各种回归任务中表现出色。尽管计算复杂度较高，但其强大的泛化能力和稳定性使其成为许多回归任务中的首选算法之一。

阅读 1.4w

127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

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

TJUTCM-策士之九尾

【数据挖掘】数据挖掘、关联分析、分类预测、决策树、聚类、类神经网络与罗吉斯回归全文万余字，配上了大量的图解说明，详细讲解了数据挖掘中一些前沿技术（如关联分析、分类预测、决策树、聚类、异常值探测、关联规则、K均值聚类方法、层次聚类法、类神经网络、罗吉斯回归、文本挖掘等）

阅读 8.9k

70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

最强总结！十大回归类算法模型！！! 随机森林是决策树的集成方法，通过构建多个决策树并将它们的预测结果进行平均来提高预测的准确性和鲁棒性。随着阶数的增加，模型的MSE可能会下降，但过高的阶数也可能导致过拟合，使得MSE反而增大。如果残差图中的点大多围绕零线随机分布，则表明模型的预测是合理的。绿色点表示测试集中的数据点，橙色曲线显示模型的预测结果。通过可视化各个特征的系数，我们可以直接观察到Lasso如何将某些不重要的特征的系数压缩为0，直观地展示模型的正则化效果。通过回归线，可以直观地看到模型的拟合效果，以及各个特征对目标变量的影响。

阅读 5.1k

61赞

监督学习单模型—线性模型—LASSO回归、Ridge回归 LASSO 回归和 Ridge 回归通过对损失函数施加正则化项的方式，使得回归建模过程中大量不重要的特征系数被压缩为 0 或者接近 0 ，从而找出对目标变量有较强影响的关键特征。

阅读 1.5k

14赞

【人工智能机器学习基础篇】——深入详解监督学习之回归与分类：理解线性回归、逻辑回归、支持向量机（SVM）、决策树、随机森林、梯度提升机（GBM）等算法【人工智能机器学习基础篇】——深入详解监督学习之回归与分类：理解线性回归、逻辑回归、支持向量机（SVM）、决策树、随机森林、梯度提升机（GBM）等算法

阅读 5.8k

63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

AI在医学领域：MIL回归用于前列腺癌复发预测本文提出了一种两阶段的 MIL 回归方法来预测前列腺癌的生物化学复发时间（TTR）。该方法采用“快速思考 & 慢速思考”策略，旨在提高斑块采样/池化和推理效率。

阅读 1.2k

18赞

一文读懂机器学习：分类（classification）、回归（regression）、排名（ranking）、uplifting（提升效果）和异常检测（Anomaly detection）机器学习是一种人工智能技术，使计算机能够通过经验自动改进性能，主要分为监督学习（使用带标签的数据进行训练）、无监督学习（寻找无标签数据中的模式）、半监督学习（结合带标签和无标签数据）和强化学习（通过与环境交互学习）。它广泛应用于金融（信用评分）、医疗（疾病预测）、自动驾驶（路径规划）和自然语言处理（机器翻译）等领域，关键概念包括特征、模型、过拟合和交叉验证。本文我们使用ydf方法进行分别介绍。

阅读 1.2k

29赞

【scikit-learn】sklearn.linear_model 模块：线性模型（回归和分类） sklearn.linear_model是scikit-learn提供的线性模型模块，包含回归和分类任务的线性方法，如线性回归、岭回归、Lasso回归、Logistic回归等。sklearn.linear_model提供线性模型，适用于回归和分类任务，支持L1/L2正则化，避免过拟合，提升模型性能。如果数据是回归问题，可以使用LinearRegression、Ridge、Lasso；如果是分类问题，可以使用LogisticRegression。

阅读 767

4赞

【机器学习】回归 1. 如何训练回归问题2. 泛化能力3. 误差来源4. 正则化5. 交叉验证

阅读 1.0k

7赞

【scikit-learn】sklearn.metrics.mean_squared_error() 函数：回归模型评估指标均方误差（MSE） mean_squared_error（MSE，均方误差）是sklearn.metrics提供的一个回归模型评估指标，用于计算真实值和预测值之间的平方误差的平均值。适用于数据可能包含异常值的情况，对离群值更敏感。可与MAE、RMSE、R²结合使用，以更全面评估模型。

阅读 1.1k

23赞

醋酸洋红就是我

机器学习——线性回归具有L2正则化的线性回归，alpha是正则化力度，solver会根据数据自动选择优化方法，normalize是数据是否进行标准化。随机选择第i个样本来更新此样本的梯度，其他样本的梯度保持不变，然后求得所有梯度的平均值，进而更新参数。在多变量函数中，梯度是一个向量，向量有方向，梯度的方向就指出了函数在给定点的上升最快的方向。在单变量函数中，梯度其实就是函数的微分，代表着函数在某个给定点的切线的斜率。每次只代入计算一个样本目标函数的梯度来更新权重，再取下一个样本重复此过程。正则化力度越大，权重系数会越小。

阅读 631

0赞

燃灯工作室

深度学习驱动的符号回归：从数据中自动挖掘物理定律的算法实现与工业落地符号回归通过“机器学习 + 可解释性”为科学发现提供了新范式。未来方向包括结合物理约束（如对称性）和提升高维问题求解效率。

阅读 1.2k

10赞

拓端研究室

Python线性混合效应回归LMER分析大鼠幼崽体重数据、假设检验可视化混合效应回归是对一般线性模型的扩展，它考虑了数据的层次结构。一般线性回归方程为：其中，XX是一个N×pN×p的设计矩阵，包含每个个体（NN）对于模型中每个自变量（pp）的观测值；ββ是一个p×1p×1的列向量，包含模型中每个自变量的回归系数；ϵϵ是一个N×1N×1的列向量，包含模型的误差（残差）。而混合效应模型方程为：其中，ZZ是一个N×qN×q的设计矩阵，包含每个个体（NN）对于随机效应的每个协变量（qq）的观测值；

阅读 1.1k

23赞

AI天才研究院

AI人工智能领域回归：推动全球科技进步的新动力近年来，AI人工智能领域呈现出回归的态势，这种回归并非简单的重复，而是在新的技术基础和应用需求下的一种升华。本文章的目的在于深入剖析AI人工智能领域回归的本质、原理和应用，探讨其如何成为推动全球科技进步的新动力。范围涵盖了AI回归的核心概念、算法原理、数学模型、实际应用场景等多个方面，旨在为读者提供一个全面而深入的了解。本文将按照以下结构展开：首先介绍核心概念与联系，让读者对AI人工智能领域回归有一个初步的认识；接着详细阐述核心算法原理和具体操作步骤，并结合Python代码进行说明；

阅读 811

22赞

线性回归：梯度下降法（包含三种梯度下降的python原代码，不是scikit learn 包）批量梯度下降，随机梯度下降，小批量梯度下降

阅读 2.5k

41赞

作者推荐

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

TomatoSCI: TomatoSCI科研数据分析平台官方账号

关注