hellosmu的博客

X <- matrix(c(194.5, 20.79, 1.3179, 131.79,194.3, 20.79, 1.3179, 131.79,197.9, 22.40, 1.3502, 135.02,198.4, 22.67, 1.3555, 135.55,199.4, 23.15, 1.3646, 136.46,199.9, 23.35, 1.3683, 136.83,200.9

toothpaste<-data.frame(X1=c(-0.05, 0.25,0.60,0, 0.25,0.20, 0.15,0.05,-0.15, 0.15,0.20, 0.10,0.40,0.45,0.35,0.30, 0.50,0.50, 0.40,-0.05,-0.05,-0.10,0.20,0.10,0.50,0.60,-0.05,0, 0.05, 0.55),X2=c( 5.

cement<-data.frame(X1=c( 7, 1, 11, 11, 7, 11, 3, 1, 2, 21, 1, 11, 10),X2=c(26, 29, 56, 31, 52, 55, 71, 31, 54, 47, 40, 66, 68),X3=c( 6, 15, 8, 8, 6, 9, 17, 22, 18, 4, 23, 9, 8),X4=c(60, 52, 20, 47

机器学习常用算法有以下几类：1、回归预测及相关的技术：线性回归， Logistic回归，Logistic回归，主成分分析，因子分析，岭回归，LASSO2、分类器：决策树，朴素贝叶斯，贝叶斯信念网绚，支持向量机，提升分类器准确率的Adaboost和随机森林算法3、聚类与孤立点判断4、人工神经网络

# ##函数import math # 导入math包# #空函数# 定义一个空函数 当未想好内部如何写的时候 用passdef empty_fun(): pass# #多个返回值得函数def quadratic(a, b, c): for i in [a, b, c]: if not isinstance(i, (int, float

logistic回归模型为：对上面的模型进行变换，得到线性形式的logistic回归模型：在二项分布族中，logistic回归是重要的模型。在某些回归问题中，响应变量是分类的，经常是要么成功，要么失败。在R语言构建数据框时，应输入一列成功（响应）的次数和一列不成功（不响应）的次数，例如：norell<-data.frame(x=0:5,n=rep(70,6),