和木的专栏

文章目录automl框架:AutoGluon介绍原理安装案例加载数据集测试通过leaderboard查看各个学习器参考automl框架:AutoGluon介绍原理大部分automl框架是基于超参数搜索技术，例如基于贝叶斯搜索的hyperopt技术等AutoGluon则依赖融合多个无需超参数搜索的模型，三个臭皮匠顶个诸葛亮stacking: 在同一份数据上训练出多个不同类型的模型，这些模型可以是KNN、tree、核方法等，这些模型的输出进入到一个线性模型里面得到最终的输出，就是对这些输出做加权求和

课程3课程3大纲多元线性回归的最小二乘解1几何解释2广义逆的奇异性3无偏估计岭回归1几何意义2岭回归的性质3的选择原则4用岭回归选择变量5岭回归存在的问题6通过R演练LASSO1LASSO vs 岭回归11弹性网2求解过程LAR算法1.大纲扔给你一堆数据，可能有成百上千各变量,怎样变量选择，怎样排除多重共线性问题： 要么丰厚的业务知识丰富，根据经验来选择；要么

一个人提议引起这虾子(153193053) 10:05:01 想写个工具类来实现线程池的自动调优，大概就是采集一些相关指标，然后利用线性回归来预测最优设置，你们觉得这个靠谱不。和木的建议1、收集数据； 2、数据建模； 3、用R语言快速验证，得出回归模型 4、用Weka的包引入到监控程序线性回归到不复杂，不过要收集原始数据，维度比较多；有些是分类变量或者多余参数，就涉及到哑变量和多重共线性的

课程2课程2归纳回归就是变量之间的关系相关系数RSS线性回归通过R语言多元线性模型虚拟变量哑变量多元线性回归模型回归诊断广义线性模型一元以及多元的线性回归，统计学东西比较多，统计学术语一堆堆的《大数据的统计学基础》基础的基础logistic回归，划入广义线性回归模型。变量筛选，从一堆变量中求解出来，以及降维。1.归纳拟合，一般选择直线或者次数比较低得曲线。（测试有误差，曲

机器学习

1.题目分别使用岭回归和Lasso解决薛毅书第279页(PDF为p331)例6.10的回归问题 2.准备2.1.准备安装和加载包使用到R语言的函数和对应包 函数 功能 包 lm.ridge 提供岭回归函数 ridge linearRidge 自动进行岭参数选择,Cule(2012) MASS lars 提供最小角回归、lasso等回归模型 lars说

薛毅书例9.2 解答过程：输入数据#### 输入数据, 按下三角输入, 构成向量x<-c(1.00, 0.79, 1.00, 0.36, 0.31, 1.00, 0.96, 0.74, 0.38, 1.00, 0.89, 0.58, 0.31, 0.90, 1.00, 0.79, 0.58, 0.30, 0.78, 0.79, 1.00

- 经典线性回归- 主成分分析 - 预测各样本的主成分的值，根据主成分值做线性回归 - 主成分系数如何转换为原变量的系数 - 数据公式，计算原理 - 提取主成分对应的特征向量 - 数据的标准差 - 数据的均值- 线性回归与主成分的区别 - 相同点都是降维 - 线性回归是直接选择变量，舍弃某些变量 - 主成分是根