2017年03月_voidfaceless

10月 08月 05月 03月 02月 01月

原创机器学习（5）多项式回归：用基函数扩展线性模型

机器学习中的一个常见模式是使用数据的非线性函数训练的线性模型。这种方法保持了线性方法的一般快速的性能，同时允许它们适应更宽范围的数据。例如，可以通过从系数构建多项式特征来扩展简单的线性回归。在标准线性回归情况下，对于二维数据，您可能有一个类似于下面的模型：如果我们想要将抛物面拟合到数据而不是平面，我们可以组合二阶多项式中的特征，使得模型看起来像这样：

2017-03-15 09:18:56 6227 2

原创机器学习（4）岭回归sklearn.linear_model.Ridge

sklearn.linear_model.Ridgeclass sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True, normalize=False, copy_X=True, max_iter=None, tol=0.001, solver='auto', random_state=None)带有l2正则化的线性最小二乘。

2017-03-10 15:31:31 9483 3

原创机器学习（3）线性回归sklearn.linear_model.LinearRegression

sklearn.linear_model.LinearRegressionclass sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=1)普通最小二乘线性回归参数：fit_intercept: 布尔型，默认为tru

2017-03-10 08:15:13 3574

原创机器学习（2）普通最小二乘法

普通最小二乘法线性回归用来拟合带有系数的线性模型，目的是最小化数据集中的原始数据与通过线性近似预测的数据之间的平方和的残差。数学上它解决了形式的问题：线性回归将采用其fit方法拟合数组X，y，并将线性模型的系数w存储在其coef_成员中：>>> from sklearn import linear_model>>> reg = linear_model.Li

2017-03-09 15:59:42 1085