笔记：线性回归理论部分1

最新推荐文章于 2025-05-25 15:54:54 发布
原创 最新推荐文章于 2025-05-25 15:54:54 发布 · 237 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#线性回归

博客围绕线性回归展开，虽未给出具体内容，但线性回归是有监督学习中的重要算法，常用于数据分析和预测等信息技术领域场景。

机器学习笔记（一）：线性回归理论篇
fican的博客
02-04 831
一、什么是线性回归  回归的目的是预测数值型的目标值。最直接的办法是依据输入写出一个目标值的计算公式。假如你想预测汽车的功率，可能会这么计算：  HorsePower = 0.0015 * annualSalary - 0.99 * hoursListeningToPublicRadio  写成中文就是：  汽车的功率 = 0.0015 * 年薪 - 0.99 * 收听公共广播
深度学习笔记：线性回归与 Softmax 回归
2301_82221961的博客
09-17 973
线性回归和 Softmax 回归虽然简单，但它们是深度学习的 “敲门砖”。掌握这两个模型，不仅能解决很多基础的回归和分类问题，更重要的是能理解 “建模→损失→优化” 的核心逻辑 —— 这个逻辑在后续的神经网络、CNN、Transformer 等复杂模型中完全通用。
笔记：线性回归理论部分3 (最小二乘表达式)
chen_holy的博客
04-22 331
笔记：线性回归理论部分4 （梯度下降策略）
chen_holy的博客
04-23 202
笔记：线性回归理论部分2（误差项分析|最大似然函数|参数估计）
chen_holy的博客
04-22 867
学习笔记：线性回归、普通最小二乘推导
bohu83的博客
02-22 2331
一 序 本来是要接着看lasso的，属于逻辑回归的变种。因为我是0基础。逻辑回归看的太吃力，这篇看了知乎的大佬的好文章。给自己再补充下。我当时看知乎的问答帖子感受是这样的。 大神的解释是看不懂的，啥是OLS啊？看不下去了。（反复提醒自己，0基础看机器学习就得先看数学基础）。 看了大佬”化简可得“的这篇文章。感谢大佬愿意把深奥的知识用刚入门的小白也能看懂的形式分享出来。推荐看原文链接，我写的只是对作者文章的理解，不如原文好。 https://zhuanlan.zhihu.com/p/72513.
MATLAB数值分析学习笔记：线性最小二乘回归
ZPS2021112344的博客
10-17 3840
什么样的函数能最好的描述实验所得的数据点呢？那么问题来了，什么样的函数才叫“离所有数据点最近”呢？这样一来，“离所有数据点最近”就好描述了，对于线性关系的数据点，我们只要找到一条直线使得所有有效数据点的残差之和达到最小即可！可是这样描述有一个很大的缺陷，那就是正负残差会进行抵消，我们必须消除残差正负号的影响，在这里，我们考虑对残差进行。）和温度T（°C）的关系，在实验室测得了一系列数据如表一所示，那么我们该如何处理这些数据呢？，处理这种数据的一个比较好的办法是本节所要讨论的方法——线性最小二乘回归。
多元线性回归笔记——逐步回归
热门推荐
weixin_60503596的博客
07-05 1万+
多元线性回归中有关逐步回归部分的详细笔记，包含基本原理和python例子的代码讲解
【笔记】线性回归
SpriteNym的博客
07-22 876
很难
吴恩达机器学习笔记：逻辑回归4
projectfailed的博客
05-25 1027
我们定义了单训练样本的代价函数，凸性分析的内容是超出范围的，但是可以证明我们所选的代价值函数会给我们一个凸优化问题。带入到这样定义了的代价函数中时，我们得到的代价函数将是一个非凸函数（non-convexfunction）。具体来说，要定义用来拟合参数的优化目标或者叫代价函数，这便是监督学习问题中的逻辑回归模型的拟合问题。与线性回归中不同，所以实际上是不一样的。注：虽然得到的梯度下降算法表面上看上去与线性回归的梯度下降算法一样，但是这里的。对于线性回归模型，我们定义的代价函数是所有模型误差的平方和。
机器学习入门笔记：线性回归核心知识点全梳理（含公式+代码）
最新发布
12-16
线性回归作为机器学习中最基础且重要的算法之一，其核心知识点不仅包括理论基础，还包括实际应用中的公式推导和编程实现。在进行线性回归模型的学习时，需要关注模型的构建、评估和调优等多个环节，以及可能出现的...
林轩田《机器学习基石》笔记：线性回归原理与最小二乘法应用
他首先回顾了在噪声环境中VCBound理论的应用，并强调了不同误差测量方法的重要性，如最小二乘法，它是线性回归中最常用的一种。 在本节课程中，林轩田通过信用卡额度分配问题来引入线性回归的实际应用。用户特征集...
Python学习笔记：一元线性回归预测实战与模型诊断
1. **一元线性回归**：这是最基础的线性模型，它假设因变量与一个自变量之间存在线性关系。通过简单的线性方程y = ax + b来描述，其中a是斜率，b是截距。代码示例演示了如何使用pandas和seaborn库读取数据并绘制一元...
Coursera机器学习课程笔记：从线性回归到逻辑回归
线性代数部分涵盖了矩阵的加法、标量乘法、矩阵向量乘法、矩阵矩阵乘法、矩阵的逆以及矩阵转置等基本概念，这些都是理解线性回归和后续高级机器学习算法的基础。 笔记接着讨论了多变量线性回归，增加了处理多个特征...
笔记 - 概率论：随机变量与独立同分布
chen_holy的博客
07-09 8777
参考文章 总体与样本的理解 从整体抽出一个个体，就是对总体X进行一次观察并记录结果。在相同条件下对总体进行n次独立重复观察。 将n次观察结果按照试验顺序记为X1,X2,..,XnX1,X2,..,Xn。 它们是相互独立的，且都是与X具有相同分布的随机变量。 X1,X2,..,XnX1,X2,..,Xn称之为来自总体X的一个简单随机样本 随机变量 随机变量是指变量的值无法预先确定仅以一定的可能性(...
笔记 - 卷积网络：卷积输出张量shape计算
chen_holy的博客
06-11 4856
前置： 影响shape形状的因素： 1.卷积核大小 2.stride步长 3.padding模式 公式： K – 卷积核数量 F – 卷积核大小 S – 步长 P – 外围填充的层数 运用 显然valid模式下，直接卷，不够就丢弃 我推导的valid模式下的计算方式(以 W 举例)： W2 = (W1 - F)/S + 1 SAME模式 如何确定P 利用公式1计算...
笔记：支持向量机（SVM）决策边界求解推导
chen_holy的博客
04-28 4795
笔记 - 卷积神经网络：学习率与权重初始化方式 与 网络性能之间的关系
chen_holy的博客
06-06 4409
参考 学习率与权重初始化对网络性能的影响分析 随机实验2次 学习率大容易振荡
笔记 - 卷积神经网络：卷积核数量 与 网络性能之间的关系
chen_holy的博客
06-06 3068
参考 卷积滤波器核的数量与网络性能之间的关系 当前神经网络只有 一层卷积层，一层activation，一层池化，一层全连接 难道卷积核数量越多，准确率就越高吗，那还要深层网络干嘛？？ ...
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
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