weixin_45862390的博客

线性回归(Linear regression)是利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式。特点：只有一个自变量的情况称为单变量回归，多于一个自变量情况的叫做多元回归。线性回归模型的目标：通过学习得到线性方程的这两个权值，如在y=kx+b中，得到k和b两个权值，并用这个方程解释变量和目标变量之间的关系。梯度下降的基本过程就和下山的场景很类似。首先，我们有一个可微分的函数。这个函数就代表着一座山。

将预测结果和测试集的目标值比较，计算预测正确的百分比。准确率越高说明模型效果越好。

每一折的数据都是从整个数据集中均匀划分的。随机交叉验证: Counter({0: 10, 1: 10, 2: 10})随机交叉验证: Counter({0: 10, 1: 10, 2: 10})随机交叉验证: Counter({0: 10, 1: 10, 2: 10})随机交叉验证: Counter({0: 10, 1: 10, 2: 10})随机交叉验证: Counter({0: 10, 1: 10, 2: 10})随机交叉验证: Counter({0: 10, 1: 10, 2: 10})

鸢尾花数据集鸢尾花Iris Dataset数据集是机器学习领域经典数据集，鸢尾花数据集包含了150条鸢尾花信息，每50条取自三个鸢尾花中之一：Versicolour、Setosa和Virginica# 1. 准备数据集iris.data。

标准化

（Standardization）是将数据按比例缩放，使其具有特定的统计特征，通常是将数据的均值调整为0，标准差调整为1。标准化是一种常见的数据预处理技术，特别是在进行机器学习时，通常会使用标准化来确保各个特征（变量）的尺度一致，以避免某些特征对模型产生过大或过小的影响。

闵式距离的定义为：其中，( x = (x_1, x_2, \dots, x_n) ) 和 ( y = (y_1, y_2, \dots, y_n) ) 是 ( n ) 维空间中的两个点，( p ) 是一个正实数。当 ( p \to \infty ) 时，闵式距离变为切比雪夫距离的原因是：在极大的 ( p ) 下，较大的坐标差主导了距离的计算，而较小的坐标差对总和的贡献变得微不足道，从而使得闵式距离的计算结果转化为最大坐标差，即切比雪夫距离。

数据集：由多个样本组成，包含了西瓜的各种信息。样本：数据集中的一条记录，表示一个具体的西瓜。属性：描述样本的不同特征（如色泽、根蒂、弹性）。特征：与属性同义，表示样本的描述维度。属性值：样本在特定属性上的实际取值（如青绿、蜷缩、较硬）。属性空间：属性的所有可能取值的集合（如色泽属性空间为{青绿, 乌黑}）。样本空间：数据集中的所有可能样本的集合。输入空间：模型训练时的输入数据的所有可能值，通常是特征的组合。特征向量：将样本的特征转换为向量的形式，用于机器学习模型的输入。