回归系数的检验—t检验

MARS是一种全新的高度自动化的回归分析工具 MARS由斯坦福大学统计系Jerome H. Friedman开发 1991年在Annals of Statistics发表了长达65页的数学论文 某些灵感来源于CART® 生成光滑的曲线和曲面，而不是CART的阶梯函数 合适的目标变量是连续型的 在二元自变量上表现一样出色

张量 张量时间序列的因子和自回归模型 R包张量TS包括我们最近的论文中的方法，包括高维张量时间序列的因子模型和自回归模型。 要了解更多详细信息，请参阅手册文件以获取完整的文档。 安装 您可以使用以下方法从安装tensorTS的发行版本： install.packages( " tensorTS " ) 以及来自的开发版本，其中包括： # install.packages("devtools") devtools :: install_github( " ZeBang/tensorTS " )

1. pycharm 下运行 linear regression.7z 2. jupyter notebook 下运行 线性回归.7z

论文研究-时空地理加权回归模型的时空非平稳性检验.pdf,  针对时空地理加权回归模型,通过时空加权距离构造权重矩阵,采用地理加权拟合技术得到回归系数的逐点估计. 构造合适的统计量对回归系数进行关于时间和空间的非平稳性检验,利用三阶矩χ2逼近方法计算检验的p值. 最后,模拟算例和实际例子都说明该检验方法的有效性.

y作m次多元式拟合的MATLAB代码机器学习（MATLAB）-Logistic回归 斯坦福大学在Coursera上的机器学习课程。 环境 macOS Catalina（版本10.15.3） MATLAB 2018 b 数据集 ex2data1.txt（一项功能） ex2data2.txt（两个功能） 此仓库中包含的文件 ex2.m-引导您完成练习的Octave / MATLAB脚本 ex2 reg.m-练习的后面部分的Octave / MATLAB脚本 ex2data1.txt-练习的上半部分的训练集 ex2data2.txt-练习的第二部分 Submit.m-将您的解决方案发送到我们的服务器的提交脚本 mapFeature.m-生成多项式特征的函数 plotDecisionBoundary.m-绘制分类器决策边界的函数 [⋆] plotData.m-绘制2D分类数据的函数 [⋆] sigmoid.m-Sigmoid函数 [⋆] costFunction.m-Logistic回归成本函数 [⋆] predict.m-Logistic回归预测函数 [⋆] costFunctionReg.

应用回归分析答案，是软件操作后的实验结果，可以参考对照

pytorch中训练完网络后，需要对学习的结果进行测试。官网上例程用的方法统统都是正确率，使用的是torch.eq()这个函数。 但是为了更精细的评价结果，我们还需要计算其他各个指标。在把官网API翻了一遍之后发现并没有用于计算TP，TN，FP，FN的函数。。。 在动了无数歪脑筋之后，心想pytorch完全支持numpy，那能不能直接进行判断，试了一下果然可以，上代码： # TP predict 和 label 同时为1 TP += ((pred_choice == 1) & (target.data == 1)).cpu().sum() # TN predict 和 label 同时为0

根据已知点求一条直线，希望直线与各个点距离之和为最小，根据最小二乘法算出最小时直线的参数。

机器学习的一元线性回归算法的公式与代码实现，具体包括魔心表达式推导，损失函数凹凸性证明，模型评估等。