使用 statsmodels 在 Python 中执行线性回归

Jupyter的一份习题作答     由于一些不可知的问题,安装了Ipython虽然成功,然而一些魔法语句的使用出现故障,例如%matplotlib inline语句,这使得Ipython作用不显著,因此本次作业仍然使用简单的python命令行和IDE完成。    本次课程内容主要是围绕pandas库的数据分析展开,并涉及到statsmodels库以及seaborn库。作业中需要依靠这两个库辅助完成线性回归方程的计算以及高级绘... 阅读详情

作者:chen_h
微信号 & QQ:862251340
微信公众号:coderpai


很多时候,线性回归与机器学习关联紧密 —— 这是今年来备受关注的热门话题。因此,在本教程中,我将向你展示如何使用 statsmodels 在 Python 中执行线性回归。我将用一个关于股市的而简单例子来证明这个概念。目录如下:

  • 关于线性回归的背景
  • 使用完整数据集作为例子
  • Python 代码
  • 解释回归结果
  • 基于回归结果进行预测

首先,我将分享一些关于线性回归的背景知识。

关于线性回归

线性回归用作预测模型,假设因变量(我们师徒预测/估计的变量)与自变量 s (预测中使用的输入变量 s)之间存在线性关系。

例如,你可以使用线性回归来根据以下宏观经济学作为输入变量预测股票市场的价格:

  • 利率
  • 失业率

在简单线性回归下,只使用一个独立输入变量来预测因变量。它具有如下结构:

Y = C + M ∗ X Y = C + M*X Y=C+M∗X

  • Y 是因变量(输出结果)
  • C 是常数(Y-Intercept)
  • M 是回归线的斜率(X 对 Y 的影响)
  • X 是自变量(用于预测 Y 的输入变量)

实际上,因变量和多个自变量之间可能存在关系。对于这些类型的模型(假设线性),我们可以使用具有以下结构的多元线性回归:

Y = C + M 1 ∗ X 1 + M 2 ∗ X 2 + . . . Y = C+M_{1}*X_{1}+M_{2}*X_{2}+... Y=C+M1​∗X1​+M2​∗X2​+...

数据集

为了便于说明,我们假设你有一个虚拟的经济数据,其中包含以下参数:

YearMonthInterest_RateUnemployment_RateStock_Index_Price
2017122.755.31464
2017112.55.31394
2017102.55.31357
201792.55.31293
201782.55.41256
201772.55.61254
201762.55.51234
201752.255.51195
201742.255.51159
201732.255.61167
2017225.71130
2017125.91075
201612261047
2016111.755.9965
2016101.755.8943
201691.756.1958
201681.756.2971
201671.756.1949
201661.756.1884
201651.756.1866
201641.755.9876
201631.756.2822
201621.756.2704
201611.756.1719

这里的目标是根据两个宏观经济学变量预测 / 估计股票指数价格:利率和失业率。

我们将使用 pandas DataFrame 在 Python 中捕获上述数据。在深入研究 Python 代码之前,请确保已经安装 statsmodels 和 pandas 软件包。你可以使用 pip 方法来安装这些包。

使用 statsmodels 的 Python 代码

以下 Python 代码包含多元线性回归的例子,其中输入变量为:

  • 利率
  • 失业率

这两个变量用于预测 Stock_Index_Price 的因变量。

或者,你可以通过在代码中仅保留一个输入变量来应用简单线性回归。例如,如果你只想使用利率作为输入变量,只需使用以下 X = df[‘Interest_Rate’] 的语法,而不是使用 X = df[[‘Interest_Rate’, ‘Unemployment_Rate’]]

from pandas import DataFrame
import statsmodels.api as sm

Stock_Market = {'Year': [2017,2017,2017,2017,2017,2017,2017,2017,2017,2017,2017,2017,2016,2016,2016,2016,2016,2016,2016,2016,2016,2016,2016,2016],
                'Month': [12, 11,10,9,8,7,6,5,4,3,2,1,12,11,10,9,8,7,6,5,4,3,2,1],
                'Interest_Rate': [2.75,2.5,2.5,2.5,2.5,2.5,2.5,2.25,2.25,2.25,2,2,2,1.75,1.75,1.75,1.75,1.75,1.75,1.75,1.75,1.75,1.75,1.75],
                'Unemployment_Rate': [5.3,5.3,5.3,5.3,5.4,5.6,5.5,5.5,5.5,5.6,5.7,5.9,6,5.9,5.8,6.1,6.2,6.1,6.1,6.1,5.9,6.2,6.2,6.1],
                'Stock_Index_Price': [1464,1394,1357,1293,1256,1254,1234,1195,1159,1167,1130,1075,1047,965,943,958,971,949,884,866,876,822,704,719]        
                }

df = DataFrame(Stock_Market,columns=['Year','Month','Interest_Rate','Unemployment_Rate','Stock_Index_Price']) 

X = df[['Interest_Rate','Unemployment_Rate']] # here we have 2 variables for multiple regression. If you just want to use one variable for simple linear regression, then use X = df['Interest_Rate'] for example.Alternatively, you may add additional variables within the brackets
Y = df['Stock_Index_Price']

X = sm.add_constant(X) # adding a constant

model = sm.OLS(Y, X).fit()
predictions = model.predict(X) 

print_model = model.summary()
print(print_model)

这是输出结果:

                            OLS Regression Results                            
==============================================================================
Dep. Variable:      Stock_Index_Price   R-squared:                       0.898
Model:                            OLS   Adj. R-squared:                  0.888
Method:                 Least Squares   F-statistic:                     92.07
Date:                Thu, 08 Nov 2018   Prob (F-statistic):           4.04e-11
Time:                        19:44:31   Log-Likelihood:                -134.61
No. Observations:                  24   AIC:                             275.2
Df Residuals:                      21   BIC:                             278.8
Df Model:                           2                                         
Covariance Type:            nonrobust                                         
=====================================================================================
                        coef    std err          t      P>|t|      [0.025      0.975]
-------------------------------------------------------------------------------------
const              1798.4040    899.248      2.000      0.059     -71.685    3668.493
Interest_Rate       345.5401    111.367      3.103      0.005     113.940     577.140
Unemployment_Rate  -250.1466    117.950     -2.121      0.046    -495.437      -4.856
==============================================================================
Omnibus:                        2.691   Durbin-Watson:                   0.530
Prob(Omnibus):                  0.260   Jarque-Bera (JB):                1.551
Skew:                          -0.612   Prob(JB):                        0.461
Kurtosis:                       3.226   Cond. No.                         394.
==============================================================================

Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

解释回归结果

我强调了结果中的几个重要组成部分:

  • Adj. R-squared:俗称 R平方。反映了模型的拟合。R平方值的范围从 0 到 1,其中较高的值通常表示更好的拟合,假设满足某些条件;
  • const coef:这个系数是你的 Y 截距。这意味着如果 Interest_Rate 和 Unemployment_Rate 系数都为零,则预期输出(即 Y)将等于 const 系数;
  • Interest_Rate:表示由于利率中一个单位的而变化导致的输出 Y 的变化(其他一切保持不变);
  • Unemployment_Rate:表示由于失业率中一个单位的变化导致的产出 Y 的变化(其他一切保持不变);
  • std err:反映了系数的准确度,它越低,准确度越高;
  • P>|t|:这是 p 值,p 值小于 0.05 被认为是统计学上显著的;
  • Confidence Interval:这是置信区间,表示我们的系数可能下降的范围(可能性为 95%);

基于回归模型的预测

回想一下,我们的多元线性回归的等式为:

Y = C + M 1 ∗ X 1 + M 2 ∗ X 2 + . . . Y = C+M_{1}*X_{1}+M_{2}*X_{2}+... Y=C+M1​∗X1​+M2​∗X2​+...

所以对于我们的例子,它看起来像这样:

Stock_Index_Price = (const coef) + (Interest_Rate coef)\*X1 + (Unemployment_Rate coef)\*X2

然后,我们将系数插入到我们的方程,我们可以得到:

Stock_Index_Price = (1798.4040) + (345.5401)\*X1 + (-250.1466)\*X2

假设你想要预测股票指数价格,你刚刚收集了 2018 年第一个月的以下数据:

  • Interest Rate = 2.75,i.e. X1 = 2.75
  • Unemployment Rate = 5.3,i.e. X2 = 5.3

当你插入这些数字时,你会得到:

Stock_Index_Price = (1798.4040) + (345.5401)*X1 + (-250.1466)*X2

Stock_Index_Price = (1798.4040) + (345.5401)*(2.75) + (-250.1466)*(5.3) = 1422.86

因此,2018年1月 Stock_Index_Price 的预测 / 估计值为 1422.86。

最终可以将预测值与实际值进行比较,以检查准确度。例如,如果该月的实际股票指数价格为 1435,则预测将在 1435 - 1422.86 = 12.14 之间。


来源:dataofish

STM32中RS485方向控制引脚应用详解 深入解析STM32如何通过GPIO控制RS485通讯的方向引脚,实现半双工通信的精准切换。重点讲解硬件连接与软件时序配合,确保rs485通讯稳定可靠,适用于工业控制等实际场景。 阅读详情

相关推荐

详细介绍pytorch重要的API

Tensor 是 PyTorch 中最基本的数据结构,提供了多种创建和操作张量的函数。Autograd 提供了自动求导功能,可以跟踪 Tensor 上的操作并计算梯度。损失函数用于衡量模型预测值与真实值之间的差异,提供了多种损失函数。是构建神经网络的基础类,提供了定义网络层和前向传播的方法。提供了 GPU 计算的支持,包括设备管理、内存管理等。提供了一些常用的函数式操作,如激活函数、损失函数等。提供了常用的数据集、模型架构和图像转换工具。提供了数据加载和预处理的工具,包括。

hello! 1223

Python学习笔记-StatsModels 统计回归(2)线性回归

1、背景知识优惠券平台 https://m.cqfenfa.com/ 1.1 插值、拟合、回归和预测   插值、拟合、回归和预测,都是数学建模中经常提到的概念,而且经常会被混为一谈。 插值,是在离散数据的基础上补插连续函数,使得这条连续曲线通过全部给定的离散数据点。 插值是离散函数逼近的重要方法,利用它可通过函数在有限个点处的取值状况,估算出函数在其他点处的近似值。 拟合,是用一个连续函数(曲线)靠近给定的离散数据,使其与给定的数据相吻合。   因此,插值和拟合都是根据已知数据点求变化规律和特征相似的近似.

weixin_48967543的博客 2136

STM32F407+LAN8720A+LwIP实战:FreeModbus TCP从机功能开发指南

本文详细介绍了基于STM32F407和LAN8720A硬件平台,结合LwIP协议栈实现FreeModbus TCP从机功能的开发指南。内容涵盖硬件连接、LwIP移植、FreeModbus TCP从机实现、任务调度及调试技巧,为工业控制领域的以太网通信开发提供实用参考。

weixin_29190651的博客 547

手把手教你用一个py案例(statsmodels)教你学会线性回归!

先读取-->再找自变量和因变量-->添加截距-->用最小二乘法求解-->拟合模型-->查看回归结果。

AI_dataloads的博客 1623

PCIE2.0/PCIE3.0/PCIE4.0/PCIE5.0接口的带宽、速率计算

一、PCIE接口速率: 二、PCIE相关概念: 传输速率为每秒传输量GT/s,而不是每秒位数Gbps,因为传输量包括不提供额外吞吐量的开销位; 比如 PCIe 1.x和PCIe 2.x使用8b / 10b编码方案,导致占用了20% (= 2/10)的原始信道带宽。 GT/s —— Giga transation per second (千兆传输/秒),即每一秒内传输的次数。重点在于描述物理层通信协议的速率属性,可以不和链路宽度等关联。 Gbps —— Giga Bits Per Second

技术联盟 1万+

YOLOv11 改进 - 注意力机制 | HaloNet 局部自注意力 (Local Self-Attention) 以分块交互策略实现高效全局上下文建模

本文介绍了局部自注意力机制(HaloAttention)在YOLOv11中的结合应用。局部自注意力通过关注输入数据局部区域来捕捉特征关系,能降低计算复杂度、增强局部特征捕捉,且可与CNN结合。其计算时先定义局部窗口,再计算注意力权重并加权求和。我们将HaloAttention集成到YOLOv11的检测头中,并进行相关注册和配置。实验表明,改进后的模型在目标检测和实例分割等任务中表现更佳,证明了自注意力模型在传统卷积主导领域的有效性。

魔改工程师的博客 1143

教你使用Python Statsmodel进行假设检验和线性回归

今天小编也给大家分享一份Python学习资料和公开课,里面的内容都是适合零基础小白的笔记和资料,不懂编程也能听懂、看懂。朋友们如果需要可以点击这里【免费获取】

2301_78095909的博客 701

使用 MATLAB/Simulink 构建一个基于FOC控制的PMSM矢量控制仿真模型

本教程详细介绍了基于Simulink的永磁同步电机(PMSM)磁场定向控制(FOC)仿真建模过程。主要内容包括:PMSM电机参数设置、Clarke/Park变换模块设计、电流环PID控制器构建、SVPWM调制实现等关键步骤。教程提供了完整的建模流程、参数配置建议和仿真调试方法,并给出了PID整定技巧和进阶优化方向。通过该模型,可深入理解PMSM矢量控制原理,掌握高性能电机控制系统的建模技术,为伺服系统、电动汽车驱动等应用领域提供仿真基础。教程还推荐了使用PIDTuner工具进行参数优化,并提出了加入负载扰动

amy_mhd的博客 645

statsmodels专栏6——专业洞见:Python中的Statsmodels库高级线性模型

在当今数据科学和统计分析领域,高级线性模型是解决更为复杂问题的得力工具。其中,Statsmodels库作为Python中的一项强大工具,提供了丰富的高级线性模型功能,为数据分析师和统计学家提供了更多解决方案。在本文中,我们将深入研究Statsmodels库中高级线性模型的几个重要方面,并展示它们在实际数据分析中的应用。

theskylife的博客 4175

GEE案例:Landsat 5、7、8影像构建1985-2023年rsei生态遥感指数详细代码

rsei(Regional Silviculture Ecological Index,地区林业生态指数)是一种生态遥感指标,用于评估森林生态系统的健康状况和生态服务。构建1985-2023年的rsei生态遥感指,主要需要使用Landsat 5、7和8的遥感影像数据。以下是一种可能的构建方法:1. 数据获取:从美国地质调查局(USGS)或其他可靠数据提供商处获取Landsat 5、7和8的遥感影像数据。确保选择的影像具有适当的空间和时间分辨率,以覆盖所需的时间段。

此星光明博客 3454

基于深度学习的茶叶等级检测识别系统:YOLOv10 + UI界面 + 数据集

YOLOv10是YOLO系列的最新版本,继承了YOLO模型的优点,并对速度和精度进行了优化。YOLOv10在目标检测中使用卷积神经网络(CNN)作为基础,通过改进网络结构和优化训练策略,实现了在更低的延迟下进行高精度的目标检测。本文详细介绍了基于YOLOv10的茶叶等级检测与识别系统的设计与实现过程。我们从数据集准备、模型训练与推理、UI界面设计等多个方面进行了详细讲解,并给出了相应的代码实现。通过本系统,我们可以高效地自动检测茶叶的等级,并通过UI界面直观地展示结果。

YOLO 766

Python学习笔记-StatsModels 统计回归——线性回归

人工智能学习离不开实践的验证,推荐大家可以多在FlyAI-AI竞赛服务平台多参加训练和竞赛,以此来提升自己的能力。FlyAI是为AI开发者提供数据竞赛并支持GPU离线训练的一站式服务平台。每周免费提供项目开源算法样例,支持算法能力变现以及快速的迭代算法模型。 1、背景知识 1.1 插值、拟合、回归和预测   插值、拟合、回归和预测,都是数学建模中经常提到的概念,而且经常会被混为一谈。 插值,是在离散数据的基础上补插连续函数,使得这条连续曲线通过全部给定的离散数据点。 插值是离散函数逼...

iFlyAI的博客 6967

基于STM32、HAL库的IP2736U_EF快充协议芯片简介及驱动程序设计

@param connected: 连接状态指针 (1=已连接, 0=未连接)= 0x2736) // 检查厂商ID。* @param hip: IP2736U句柄指针。* @param hip: IP2736U句柄指针。* @param hip: IP2736U句柄指针。* @param hip: IP2736U句柄指针。* @param hip: IP2736U句柄指针。* @param hip: IP2736U句柄指针。* @param hip: IP2736U句柄指针。

corlin6688的博客 433

使用statsmodels实现线性回归

使用statsmodels实现线性回归statsmodels简介关于统计模型主要特点线性回归模型:离散模型:RLM: 鲁棒的线性模型,支持多个 M 估计器。马尔可夫切换模型(MSAR),也称为隐马尔可夫模型(HMM)生存分析:多变量:非参数统计:单变量和多变量核密度估计其他模型什么是线性回归?简单线性回归案例数据集说明导入需要的工具包使用pandas生成数据数据整理回归模型建模关于自变量的线性回归...

zhangfengBX的博客 9993

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

python 线性回归 技术方案亮点_8种用Python实现线性回归的方法,究竟哪个方法最高效?-阿里云开发者社区...

说到如何用Python执行线性回归,大部分人会立刻想到用sklearn的linear_model,但事实是,Python至少有8种执行线性回归的方法,sklearn并不是最高效的。今天,让我们来谈谈线性回归。没错,作为数据科学界元老级的模型,线性回归几乎是所有数据科学家的入门必修课。抛开涉及大量数统的模型分析和检验不说,你真的就能熟练应用线性回归了么?未必!在这篇文章中,文摘菌将介绍8种用Pyth...

weixin_39872872的博客 141

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

线性拟合 python_8种用Python实现线性回归的方法,究竟哪个方法最高效?

大数据文摘作品,作者:TirthajyotiSarkar,编译:丁慧、katherine Hou、钱天培说到如何用Python执行线性回归,大部分人会立刻想到用sklearn的linear_model,但事实是,Python至少有8种执行线性回归的方法,sklearn并不是最高效的。今天,让我们来谈谈线性回归。没错,作为数据科学界元老级的模型,线性回归几乎是所有数据科学家的入门必修课。抛开涉及大量...

weixin_39522423的博客 913

数据科学家必须知道的5个Python回归模块

0.介绍 回归是统计建模、数据科学和机器学习中的一个非常重要的概念,它通过使用特定的数学公式帮助建立自变量(或预测变量) x 与因变量(或简单输出)y( x ) 之间的可能关系 最小化标准。有几种类型的回归用于不同的情况,最常见的一种是线性回归。其他类型的回归包括逻辑回归、非线性回归等。 在 Python 中,有几个 库和相应的模块可用于根据遇到的特定问题及其复杂性来执行回归。在本文中,我将总结 Python 中可用于执行回归的五个最重要的模块和库,并将讨论它们的一些局限性。在这里,我假设读者了解 Pyth

weixin_43691167的博客 2519

惊爆!Python 这 8 种回归预测法,优缺点全揭秘

本文探讨了8种实现简单线性回归的方法,比较了它们的优缺点和计算效率。线性回归是数据科学的基础工具,文章介绍了从Scipy、Numpy、Statsmodels到-learn等多种实现方式,包括最小二乘法、矩阵逆解析解等。研究发现,对于大规模数据集(可达1000万样本),Statsmodels的线性回归函数和矩阵逆解法表现最优。虽然-learn提供更多功能(如正则化),但在仅需快速分析时并非最有效选择。文章提供了完整的代码示例,强调数据科学家应根据具体需求选择最适合的回归方法,特别在数据处理速度和计算复杂度之间

2603_96171993的博客 182

macrodata数据集在Python统计建模和计量经济学中的应用

macrodata.csv是一个示例数据集,通常用于统计分析和计量经济学中的教育和训练目的。这个数据集通常包括以下列:year(年份):表示数据观察的年份。quarter(季度):表示数据观察的季度(通常是1至4)。realgdp(实际国内生产总值):表示实际国内生产总值的数值,通常以美元为单位。realcons(实际消费支出):表示实际消费支出的数值,通常以美元为单位。realinv(实际投资支出):表示实际投资支出的数值,通常以美元为单位。

源代码杀手的博客 1257

python 线性回归函数_8种用Python实现线性回归的方法,究竟哪个方法最高效?

大数据文摘作品作者:TirthajyotiSarkar编译:丁慧、katherine Hou、钱天培说到如何用Python执行线性回归,大部分人会立刻想到用sklearn的linear_model,但事实是,Python至少有8种执行线性回归的方法,sklearn并不是最高效的。今天,让我们来谈谈线性回归。没错,作为数据科学界元老级的模型,线性回归几乎是所有数据科学家的入门必修课。抛开涉及大量数统...

weixin_39616855的博客 1534

【Python数据分析】实践编写篇2:用Python进行回归分析与相关分析

本篇介绍了在Python中实现回归分析的几种常用的方法。

Deng333333555的博客 7849

一元线性回归实战:从相关性到可执行预测

一元线性回归是数据科学中最基础且高实用性的预测建模方法,其核心在于通过直线拟合揭示两个变量间的定量依赖关系。原理上,它基于最小二乘法求解最优参数,以残差平方和最小为准则,在保证解析可解性的同时强化对显著误差的敏感性。该技术的价值不仅在于描述趋势,更在于支撑ROI测算、资源预估与规则制定等工程化决策。典型应用场景包括广告投入与销量预测、传感器校准、用水量与人口关系建模等业务问题。本文聚焦真实数据分析全流程——涵盖数据清洗、模型拟合、统计诊断(R²、置信区间、残差图)及Python实操落地,特别强调业务逻辑判断

weixin_29046611的博客 261

python残差分析图

import numpy as np from plotnine import * import statsmodels.api as sm import pandas as pd #残差分析图 df = pd.read_csv('Residual_Analysis_Data.csv') results = sm.OLS(df.y2,df.x).fit() df['predicted']=results.predict() df['residuals']=df.predicted-df.y2 df['A.

weixin_46967476的博客 4777

python的ols模型_Python统计模型中的差异OLS和R的LM

我不确定为什么我对简单的OLS获得稍微不同的结果,具体取决于我是通过panda's experimental rpy interface在R中执行回归还是在Python中使用statsmodels。import pandasfrom rpy2.robjects import rfrom functools import partialloadcsv = partial(pandas.DataFra...

weixin_39993322的博客 553

线性回归分析:从原理到实战,掌握数据驱动的决策工具

线性回归是数据分析与机器学习领域的基础模型,用于量化自变量与因变量之间的线性关系。其核心原理是最小二乘法,通过最小化预测误差的平方和,找到最佳拟合直线或超平面。在技术价值上,线性回归不仅能提供变量间关系的量化估计,还能进行统计显著性检验和预测,为决策提供可解释的数据依据。应用场景广泛覆盖金融风控、市场营销、运营分析和科学研究等领域,帮助从业者从经验直觉转向数据驱动的精确分析。本文聚焦多元线性回归的完整建模流程,涵盖模型诊断、多重共线性处理及Python实战,并针对电商销售额预测等典型业务场景,详解如何通过s

weixin_29055699的博客 299

一元线性回归的Python分析实战:从诊断到业务决策

一元线性回归是统计建模中最基础的因果推断工具,其核心在于刻画自变量与因变量间的线性依赖关系;它基于线性、独立、同方差与正态性四大假设,通过最小二乘法估计斜率与截距;技术价值不仅在于预测精度,更在于提供可解释、可诊断、可干预的关系量化框架;典型应用场景包括广告投入与销售额分析、用户行为指标归因、运营策略效果初筛等;当模型出现残差非线性、异方差或异常值干扰时,需结合Python可视化诊断(如残差图、Q-Q图)与务实处理(标准化、分段拟合、加权回归);本文聚焦‘分析’而非‘拟合’,强调用代码将统计假设转化为可检验

weixin_29061509的博客 97

方差膨胀因子

过程 1、构造每一个自变量与其余自变量的线性回归模型,例如,数 据集中含有p个自变量,则第一个自变量与其余自变量的线性组合可以 表示为 2、根据如上线性回归模型得到相应的判决系数,进而计算第 一个自变量的方差膨胀因子VIF: import pandas as pd import numpy as np from sklearn import model_selection import statsmodels.api as sn from statsmodels.stats.outliers_inf

平平淡淡,戒急用忍,一生学闭嘴。 4769
上一篇: 统计估计不稳定性
下一篇: 多项式回归:向线性模型添加非线性
coderpai
博客等级 码龄10年 1082粉丝 469原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
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