回归_人工智能博客-专业IT技术发表平台

推荐付费专栏 VIP文章

机器学习之心HML

TCN-BiLSTM回归+特征贡献SHAP分析+新数据预测+多输出，MATLAB代码 TCN-BiLSTM回归+特征贡献SHAP分析+新数据预测+多输出，MATLAB代码

阅读 1.1k

21赞

MATLAB实现基于极端梯度提升回归（XGBR）进行光伏功率预测的详细项目实例（含完整的程序，GUI设计和代码详解）本项目基于极端梯度提升回归（XGBR）算法，构建了一套完整的光伏功率预测系统。通过集成高适应性XGBR模型、内置特征选择和自动调整机制，系统能够处理光伏数据中的强噪声、高维特征和时序漂移等挑战。项目包含数据采集与预处理、特征工程、模型训练与优化、预测分析等模块，支持多尺度预测需求，并具备异常检测和动态优化能力。系统部署灵活，可应用于新能源微电网、光伏电站运维、电力市场调度等多个领域，具有高精度、强鲁棒性和良好可解释性等特点，为光伏发电的智能化管理提供了有效解决方案。

阅读 1.5k

40赞

基于线性回归的房价预测 def batch_gradientDescent(X, y, w, alpha, iters): #批量梯度下降算法来更新权重w，alpha---学习率count---迭代次数。return (np.sum(np.power((f(X,w)-y),2)))/(2*m) #X---预测值，y---真实值，w---权重。ax.set_ylabel('代价', rotation=0, fontsize=18)data2=(data2-data2.mean())/data2.std() #标准化。

阅读 784

16赞

杨先森只爱吃肉

机器学习在文章中的应用-监督学习-回归在我个人看来，监督学习是通过带标签的训练数据集（输入特征 + 对应输出标签）来指导机器学习模型，从而使模型学会并有能力在新数据上泛化预测类似问题。这个过程，个人认为有几个很关键的点：1.学习的知识是否是对的；2.学习的方法是否是合理的；3.做的测试是否足够合理。很多文章的idea来源，就是基于这三个方面，对前人已有的工作进行修修补补。回归：用于预测连续型输出值，如温度、浓度、能量水平等。模型学习输入特征与连续目标之间的函数关系（e.g., y = f(x)）。分类。

阅读 690

6赞

小天才学习机打游戏

别再纸上谈兵！从零构建多智能体深度研究系统，附完整开源代码，直接跑起来！最近几个月，“Agentic AI” 成为行业热词。但大多数讨论停留在概念层面：什么是 ReAct？什么是 Plan-and-Execute？什么是 Multi-Agent Collaboration？

阅读 1.4k

54赞

【华为Mate XTs 非凡大师】麒麟芯片回归：Mate XTs搭载麒麟9020，鸿蒙5.1体验新境界华为此次发布会亮点多，Mate XTs非凡大师设计奢华、三折屏出色，科技与体验佳、影像提升；MatePad Mini小机身大视野；HarmonyOS 5.1赋能新品，彰显华为创新实力，给消费者优质之选。

阅读 5.2k

116赞

彭桢灵Jeremy

7种回归可视化技术：彻底掌握机器学习模型行为的终极指南机器学习模型不再是黑箱！通过回归可视化技术，我们可以深入理解模型行为、诊断问题并提升预测准确性。ML-From-Scratch项目提供了从线性回归到深度学习的NumPy实现，是学习回归可视化的绝佳资源。## 为什么回归可视化如此重要？ 🔍回归可视化不仅仅是绘制漂亮的图表，它能帮助我们：- 理解模型如何做出预测- 诊断过拟合和欠拟合问题- 验证模型假设是否成立- 比较不同模型的性能

阅读 589

27赞

周情津Raymond

Esprima性能测试自动化：基准测试与回归检测流程 Esprima作为ECMAScript解析基础设施，其性能稳定性直接影响下游工具链的可靠性。项目提供了完整的自动化测试体系，包含基准测试与回归检测两大核心模块。基准测试通过 [test/benchmark-parser.js](https://link.gitcode.com/i/209efa0fd61fa2e97260ecdc0fa7cae0) 和 [test/benchmark-tokeniz

阅读 791

22赞

继承测试用例回归策略用例执行情况：按优先级统计用例总数、执行数、通过数、失败数、阻塞数及通过率，例如 “本次回归测试共执行用例 500 条，其中 P0 用例 80 条（100% 通过），P1 用例 150 条（通过 145 条，失败 5 条，通过率 96.7%），P2 用例 200 条（通过 180 条，失败 20 条，通过率 90%），P3 用例 70 条（通过 65 条，失败 5 条，通过率 92.9%），整体通过率 94%”，并附上用例执行明细表格。测试结论：明确回归测试是否通过，若通过，说明版本满足上线条件；

阅读 1.0k

13赞

TechExplorer（技术探索者）

开发环境配置指南：解决 GitHub 连接超时与依赖下载失败的问题在日常开发中，我们经常遇到 git clone 速度只有几 KB/s，或者 npm install 卡住不动的情况。这通常是因为默认的下载源在海外，导致物理链路延迟过高。本文将总结几种最有效的本地配置方法，帮助大家优化开发环境。

阅读 140

9赞

OpenVLA-OFT——微调VLA时加快推理的三大关键设计：支持动作分块的并行解码、连续动作表示以及L1回归(含输入灵活化及对指令遵循的加强) 前言25年3.26日，这是一个值得纪念的日子，这一天，我司七月在线的定位正式升级为了：具身智能的场景落地与定制开发商，后续则从定制开发，逐步过渡到标准产品化已帮组装好的硬件，和对应复现好的程序，包括且不限于ALOHA/RDT/umi/dexcap/idp3/π0，如此软硬一体标准化的产品，省去复现过程中的真正做到：一旦拿来，开箱即用我司具身落地中，过去半年用π0居多，其次idp3和其他模型，也是目前国内具身落地经验最丰富的团队之一了，且始终保持对具身最前沿技术的沟通。

阅读 7.8k

41赞

roman_日积跬步-终至千里

【模式识别与机器学习（5）】主要算法与技术（中篇：概率统计与回归方法）之逻辑回归（Logistic Regression）【模式识别与机器学习（5）】主要算法与技术（中篇：概率统计与回归方法）之逻辑回归（Logistic Regression）

阅读 1.0k

20赞

论文理解【LLM-回归】—— Decoding-based Regression 本文探讨了语言模型（LLM）在数值回归任务中的能力，证明了其可逼近任意一维概率密度的理论界，在数值范围大、噪声复杂或数据较少的情形相比传统点回归头和 Riemann 回归头有优势

阅读 992

12赞

统计回归与趋势分析是高级量化管理中的核心方法，用于从历史项目数据中识别潜在的因果关系和演化趋势统计回归与趋势分析是高级量化管理中的核心方法，用于从历史项目数据中识别潜在的因果关系和演化趋势。通过多元回归分析，可以量化不同过程因素（如评审覆盖率、测试充分性）对质量指标（如缺陷密度、线上故障率）的影响程度。例如，“评审覆盖率每下降10%，缺陷密度上升1.5倍”这一结论即可能源自对多个项目数据的回归建模。

阅读 922

31赞

告别臃肿的 Web 界面！这款终端神器让数据可视化回归极简之美它的设计理念是「No fluff, no GUI, just pure terminal sorcery」，专门为那些厌倦了臃肿 Web 界面的开发者而生。无需配置，无需依赖，纯粹的终端魔法。无论你是运维工程师、数据分析师，还是产品经理，DataCmd 都值得加入你的工具箱。在终端里敲下一条命令，看着数据瞬间变成美观的可视化图表，这种体验实在是太酷了。DataCmd 设计时就考虑了生产环境的稳定性需求，资源占用小，性能稳定。目前群里已加入了不少行业内的大神，有兴趣的同学可以加入和我们一起交流技术，在。

阅读 3.5k

18赞

人工智能MOS

使用 Python 和 scikit-learn 学习回归算法回归是指要预测的特征包含连续值。回归是指通过分析其他自变量之间的关系来预测因变量的过程。有几种已知的算法可以帮助提升这些关系以更好地预测值。在本教程中，我们提供了回归算法的高级概述，并展示了如何使用 scikit-learn 库实现这些算法。我们还使用 matplot lib 来可视化一些结果。

阅读 985

19赞

掌握KerasClassifier与KerasRegressor实现深度学习分类与回归本文将详细介绍如何使用KerasClassifier和KerasRegressor在Kaggle上进行数据集分析、模型构建和评估。我们将通过Pima印第安人糖尿病数据集和Linnerud数据集来展示分类和回归的过程，包括数据加载、预处理、模型设计、训练、验证以及测试。

阅读 1.1k

16赞

线性回归到 Softmax 回归小批量随机梯度下降（Mini-batch SGD）：结合了全量梯度下降的稳定性和随机梯度下降的高效性，是深度学习的默认求解算法，需平衡批量大小（太小浪费计算资源，太大冗余）；：无论是线性回归的均方损失优化，还是 Softmax 回归的交叉熵损失优化，梯度下降及其变体（尤其是小批量 SGD）都是核心工具，掌握其原理对后续复杂神经网络学习至关重要。：线性回归与 Softmax 回归的核心差异源于任务需求 —— 连续值预测用线性回归，多类分类用 Softmax 回归，体现了 “问题决定模型” 的设计原则。

阅读 854

8赞

模型评估指标详解：分类与回归场景不同的模型评估指标适用于不同的场景和任务。在分类问题中，我们需要综合考虑准确率、精确率、召回率、F1 值、ROC 曲线和 AUC 值等指标，以全面评估模型的性能；在回归问题中，均方误差、均方根误差、平均绝对误差和决定系数等指标可以帮助我们衡量模型的预测准确性和拟合优度。在实际应用中，我们应根据数据特性、业务需求选择合适的评估指标，并结合多指标进行综合评估，同时注意评估集的选择，以确保评估结果的可靠性。

阅读 1.1k

28赞

小时候逝去的夏夜

Faster R-CNN的RPN 位置回归损失在 Faster R-CNN 的 RPN（Region Proposal Network）模块中，模型需要对每个 anchor 不仅判断其是否包含目标（前景/背景分类），还要对正样本 anchor 的位置进行微调，使其更接近真实目标框（Ground Truth）。这个微调过程对应的位置回归损失是 RPN 损失的重要组成部分。Anchor 是一组固定形状和大小的矩形框，用来覆盖整张图像。该函数结合了 L2 的平滑与 L1 的鲁棒性。，以更好地拟合目标框。网络的目标是学习预测这组回归值。

阅读 918

17赞

一个处女座的程序猿

AI：新书预告—从机器学习避坑指南(分类/回归/聚类/可解释性)到大语言模型落地手记(RAG/Agent/MCP)，一场耗时5+3年的技术沉淀—“代码可跑，经验可抄”—【一个处女座的程序猿】携两本AI AI：新书预告—从机器学习避坑指南(分类/回归/聚类/可解释性)到大语言模型落地手记(RAG/Agent/MCP)，一场耗时5+3年的技术沉淀—“代码可跑，经验可抄”—【一个处女座的程序猿】携两本AI实战书终于正式来了！目录相关文章一、写书背景二、新书内容速览：理论+实战+前沿，直击AI学习痛点三、新书上市 & 读者专属福利四、结尾相关文章LLMs：LLM一天，人间一年—2024年度大模型技术三+四大趋势梳理(数据/算法/算力+

阅读 2.3w

91赞

第6篇：机器学习入门：监督学习三巨头——线性回归、逻辑回归、KNN 本文系统介绍了监督学习中的三种经典算法：线性回归（预测连续值）、逻辑回归（分类）和K近邻（KNN）。通过数学原理讲解和Python代码实现，详细解析了线性回归的正规方程解法、逻辑回归的Sigmoid函数转换及梯度下降优化、KNN的核心思想和实现方式。文章对比了三者的优缺点，并提供了使用Scikit-learn的实战案例（波士顿房价预测和鸢尾花分类）。最后总结了学习建议，强调理解原理后再使用库实现，并预告了模型评估与选择的相关内容。

阅读 665

13赞

作者推荐

Valueyou24: 一个不想躺平的双非计算机硕士，研究方向为医疗目标检测。手握一份上市公司的实习，不想卷java，目标C++/QT开发

关注

旋转的油纸伞: 中山大学，博客专家认证，人工智能领域优质创作者。理想是造福全人类。

关注

爱交易的程序猿: AI 量化数据分析全栈开发我的音乐驿站：https://space.bilibili.com/489467856?spm_id_from=333.1007.0.0

关注

一般通过Ayzek: 你从不可战胜，亦可谓之传奇

关注

云茧: 每天记录知识点，一起学习编程

关注

云端FFF: not because they are easy, but because they are hard

关注

摘星观月: 时间和我都在往前走！

关注

今晚和我一起吃火锅呗: 一只会扑腾两下的咸鱼

关注