数据挖掘技术与应用实验报告（二） —— 应用多元回归方程进行客运量预测的实例

于 2025-05-07 00:07:12 发布
阅读量922 收藏
点赞数 37
分类专栏： 数据挖掘技术与应用 文章标签： 数据挖掘 多元回归 算法 数据结构
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_74326393/article/details/147704353
版权

一、实验目的

  1. 掌握二元线性回归模型的构建原理及参数估计方法。
  2. 熟悉最小二乘法在多元回归分析中的应用。
  3. 学会通过正规方程求解回归系数，并解释模型的经济意义。
  4. 理解模型的统计检验指标（如判定系数 R^2）及其应用。

二、实验内容

为了简明，下面以仅含两个自变量（人口数及城市 GDP）建立某城市水路客运量的二元线性回归预测模型问题为例，具体数据见下表。

表        1991—2002 年某城市的水路客运量、人口数及城市 GDP

序号 年份 水路客运量 y 市人口数 x1 城市 GDP x2
1 1991 342 520 211.9
了解本专栏 订阅专栏 解锁全文 超级会员免费看
神经网络中的损失函数
CSDN 精品推荐
08-08 408
根据任务的特点，可以设计和定义自己的损失函数，以适应特定的问题需求。在选择损失函数时，需要根据问题的类型、输出的性质以及数据分布进行合适的选择。不同的损失函数可以在训练过程中引导模型学习特定的模式和特征，从而达到更好的性能。
损失函数，神经网络调权重
weixin_43843978的博客
10-06 4106
introduce
【深度学习之美】损失函数减肥用，神经网络调权重（入门系列之六）
weixin_33737774的博客
06-08 449
更多深度文章，请关注云计算频道：https://yq.aliyun.com/cloud 系列文章： 一入侯门“深”似海，深度学习深几许（深度学习入门系列之一） 人工“碳”索意犹尽，智能“硅”来未可知（深度学习入门系列之二） 神经网络不胜语，M-P模型似可寻（深度学习入门系列之三） “机器学习”三重门，“中庸之道”趋若人（深度学习入门系列之四） He...
神经网络MSE Loss
最新发布
m0_69522810的博客
03-18 1030
MSE 是回归任务中最基础的损失函数，通过最小化预测值与真实值的平方误差驱动模型优化。它的核心思想是衡量模型预测值与真实值之间的差异，并通过最小化这种差异来优化模型参数。：MSE 的梯度与误差成正比，大误差可能导致梯度爆炸，可配合梯度裁剪（gradient clipping）使用。：放大较大误差（例如，误差为 2 时贡献 4，误差为 3 时贡献 9），使模型更关注严重错误的预测。：MSE 是光滑的凸函数，梯度容易计算，适合梯度下降等优化算法。：在某些场景下（如需要模型重视大误差的任务），这是优点。
神经网络loss
Hello World
08-12 3654
loss function smooth L1 loss 公式如下： f(x)={(σx)2/2,|x|−0.5/σ2,if x<1/σ2otherwisef(x)={(σx)2/2,if x<1/σ2|x|−0.5/σ2,otherwise\begin{split}f(x) = \begin{cases} (\sigma x)^2/2,& \tex...
神经网络的损失函数是什么？如何选择适当的损失函数？
njhhuuuby的博客
06-30 1176
损失函数在神经网络的训练过程中起着至关重要的作用，它的选择应根据具体的问题和任务来确定。多分类交叉熵损失（Categorical Cross-Entropy Loss）： 适用于多分类问题，计算预测的分类概率分布与真实标签之间的交叉熵。二分类交叉熵损失（Binary Cross-Entropy Loss）： 适用于二分类问题，计算预测的二分类概率与真实标签之间的交叉熵。在选择损失函数时，需要充分理解问题的背景和任务要求，并结合模型的特性和数据的特点进行判断，以获得更好的模型性能和训练效果。
神经网络之损失函数
qq_53094315的博客
10-31 1万+
什么是损失函数 损失函数（loss function）或代价函数（cost function）是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。 神经网络以某个指标为线索寻找最优权重参数。神经网络的学习中所用的指标称为损失函数（loss function）。这个损失函数可以使用任意函数，但一般用均方误差和交叉熵误差等。 损失函数是表示神经网络性能的“恶劣程度”的指标，即当前的神经网络对监督数据在多大程度上不拟合，在多大程度上不一致。 均方误差（MSE） yk
深度学习原理24——损失函数与优化过程 深度学习原理.pdf
04-13
"深度学习原理24——损失函数与优化过程" 深度学习是人工智能领域中一个非常重要的分支，深度学习的原理是以神经网络为基础的，通过大量的数据和复杂的计算来实现机器学习和模式识别。深度学习的核心是神经网络的...
41.MATLAB神经网络43个案例分析 遗传算法优化BP神经网络——非线性函数拟合.zip
09-12
2. **BP神经网络**：BP神经网络的核心在于梯度下降法，它通过迭代更新权重和阈值，使网络的损失函数逐渐减小。然而，BP网络存在训练速度慢、容易陷入局部最优等缺点。 3. **非线性函数拟合**：非线性函数拟合是指...
深度学习入门4——神经网络中的损失函数
Argulo的博客
06-17 1175
而使得神经网络可以学习，就少不了损失函数。神经网络学习的过程可以看作是的过程。换句话说，找到了最小的损失函数值，我们也就找到了一组最优的权重参数。神经网络的学习中所用的指标称为损失函数（loss function）。这个损失函数可以使用任意函数，但一般用均方误差（mean squared error）和交叉熵误差（cross entropy error）等。对于实现手写数字5识别，直接想出可以识别手写数字5的专用算法很难。
TensorFlow笔记之神经网络优化——损失函数
qust1508060414的博客
07-29 2052
神经元模型：用数学公式表示为, f 为激活函数。神经网络是以神经元为基本单位构成的。 激活函数：引入非线性激活函数，提高模型的表达力。 常用的激活函数有relu、sigmoid、tanh等。 ① relu：在TensorFlow中，用tf.nn.relu()表示      ② sigmoid：在TensorFlow中，用tf.nn.sigmoid()表示      ③ tanh：在T...
损失函数的理解
weixin_46269422的博客
12-05 2639
一、损失函数是什么？ 二、常用的损失函数 1.均方误差 2.交叉熵误差 损失函数是表示神经网络性能的“恶劣程度”的指
神经网路的层数，损失函数（loss）
weixin_34348111的博客
05-30 770
神经网络的复杂度：可用神经网络的层数和神经网络中待优化参数个数表示 神经网路的层数：一般不计入输入层，层数 = n 个隐藏层 + 1 个输出层 神经网路待优化的参数：神经网络中所有参数 w 的个数 + 所有参数 b 的个数 如： 在该神经网络中，包含 1 个输入层、1 个隐藏层和 1 个输出层，该神经网络的层数为 2 层。 在该神经网络中，参数的个数是所有参数 w 的个数加上所有参数 ...
神经网络算法——损失函数（Loss Function）
不要给自己设限，尝试更多可能（思所向 皆可往）
03-08 1万+
本文将从损失函数的本质、损失函数的原理、损失函数的算法三个方面，详细介绍损失函数Loss Function。损失函数。
神经网络之loss总结学习
xiaomu_347的博客
12-07 1万+
影响一个网络性能的因素很多，网络结构，参数优化，loss约束等，这里就常见的几种loss进行比较总结。其中（1）（2）（3）为回归损失，（4）（5）（6）为分类损失。 （1）MSE（均方误差） 均方误差（MSE）是回归损失函数中最常用的误差，也常被称为L2 loss，它是预测值与目标值之间差值的平方和，其公式如下所示： ，有时也写成这样 优点：各点都连续光滑，方便求导，具......
神经网络loss Nan
rosefun96的博客
03-29 9578
1.原因 有可能是学习率太高（调为0，看是否出现这个问题）； 如果仍有，说明是那个地方出现 /0, log(0)等可能性，导致出现无穷大的数。 参考： 1 为什么用tensorflow训练网络，出现了loss=nan，accuracy总是一个固定值？ ...
深度神经网络DNN（五）——损失函数
热门推荐
weixin_45768638的博客
09-20 2万+
文章目录
SNN孪生神经网络的损失函数
03-13
### SNN中的损失函数 在Siamese神经网络(Siamese Neural Networks, SNN)中，常用的损失函数主要分为对比损失(Contrastive Loss)[^1] 和三元组损失(Triplet Loss)[^1]。 #### 对比损失 (Contrastive Loss) 对比损失用于衡量一对输入样本之间的相似度。如果两个输入属于同一类别，则希望它们在网络输出空间的距离尽可能小；反之则距离应较大。具体定义如下： 设\(d\)表示两输入特征向量间的欧氏距离，\(y\)为标签（相同类别的样本标记为0，不同类别标记为1），那么对比损失可以表达为: \[L(y,d)=\begin{cases} d^2 & \text{if } y=0 \\ (\max(margin-d, 0))^2 & \text{if } y=1 \end{cases}\] 其中`margin`是一个超参数，用来控制当样本不属于同一个类别时最小期望距离。 ```python def contrastive_loss(d, y, margin=1.0): return torch.mean((1-y) * torch.pow(d, 2) + y * torch.pow(torch.clamp(margin - d, min=0.0), 2)) ``` #### 三元组损失 (Triplet Loss) 不同于仅考虑成对数据的对比损失，三元组损失引入了一个额外的负样本来构建训练样本集——即对于每一个正样本，不仅需要找到一个来自同一个人的不同图像作为正样本，还需要找到来自其他人的图片作为负样本。其目的是拉近同类样本间距离的同时推远异类样本间距。形式化描述如下： 给定锚点(anchor)，正样本(positive)，以及负样本(negative)，令 \(a,p,n\)分别代表这三种类型的嵌入(embedding)，则有： \[ L(a, p, n) = max(\|f(a)-f(p)\|^2-\|f(a)-f(n)\|^2+\alpha ,0)\] 这里\(\alpha>0\)同样作为一个边界值来确保即使是最难区分的情况也能保持一定间隔。 ```python import tensorflow as tf def triplet_loss(y_true, embeddings, alpha=0.2): anchor, positive, negative = embeddings[0],embeddings[1],embeddings[2] pos_dist = tf.reduce_sum(tf.square(anchor - positive), axis=-1) neg_dist = tf.reduce_sum(tf.square(anchor - negative), axis=-1) basic_loss = pos_dist - neg_dist + alpha loss = tf.maximum(basic_loss, 0.0) return tf.reduce_mean(loss) ``` 通过上述两种方式之一或者组合使用，能够有效地指导SNN学习到具有判别性的特征表示，在诸如人脸识别、签名验证等领域取得了良好的效果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

小李独爱秋

你的鼓励将是我加更的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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