该代码实现了多元线性回归的一般过程，内容详尽，本人试验过，可以放心使用。该代码实现了多元线性回归的一般过程，内容详尽，本人试验过，可以放心使用。
2022-02-23 20:49:41
22KB
1
贪心学院自然语言处理高级魔鬼训练营全面剖析自然语言处理领域前沿技术，包括预训练、对话系统、文本生成、知识图谱、信息抽取等。本资源是《第03章 机器学习基础 - 逻辑回归》的5.案例《预测银行客户是否会开设定期存款账户》的数据和参考代码。
2022-02-23 16:08:59
869KB
回归问题它预测的是一个连续值而不是离散的标签。
本次要预测的是波士顿郊区房屋价格的中位数。
首先，我们通过keras加载数据集
from keras.datasets import boston_housing
(train_data,train_targets),(test_data,test_targets) = boston_housing.load_data()
我们有404个训练样本和102个测试样本。每个样本都有13个特征值。
print(train_data.shape,'\n',test_data.shape)
目标是房屋价格的中位数
print(train_targets)
2022-02-23 10:15:09
191KB
1
可做地理加权回归分析（Geographical Weighted Regression）,普通回归分析(Global Regression)也可以做，GWR输出时，具体有Bandwidth选择过程中间结果显示功能。
2022-02-22 22:08:33
2.52MB
1
交叉验证调参与交叉验证评估的区别与使用
什么是交叉验证
交叉验证原理
交叉验证原理与常用方法
scikitlearn交叉验证评估
交叉验证：评估估算器的表现
在交叉验证中数据集一般可以分为训练集和测试集，其中训练集的某一折用于作为验证集，这样有利于充分利用数据，但是同样提升了计算量。交叉验证的使用往往时代码运行缓慢。
交叉验证的作用
交叉验证一方面可以用于调整超参数，也即是通过反复的交叉训练，找到模型最优的超参数，比如使用网格搜索GridSearchCV()。另一方面用于评估模型在数据集上的表现，比如cross_val_score()。
交叉验证评估： 针对在训练集上训练得到的模型表现良好，但
2022-02-22 16:18:02
275KB
1
针对风电功率预测问题，在现有预测方法和概率性区间预测的基础上，提出基于深度学习分位数回归的风电功率概率预测方法。该方法采用Adam随机梯度下降法在不同分位数条件下对长短期记忆神经网络(LSTM)的输入、遗忘、记忆、输出参数进行估计，得出未来200 h内各个时刻风电功率的概率密度函数。根据美国PJM网上的风电功率实际数据的仿真结果表明，所提方法不仅能得出较为精确的点预测结果，而且能够获得风电功率完整的概率密度函数预测结果。与神经网络分位数回归相比，其精度更高，且在同等置信度下的预测区间范围更小。
2022-02-22 14:06:35
1.75MB
1
使用Logistic回归进行预测建模时，重要的是要了解预测建模的主要目标，要达到的业务目标以及达到该目标的基本步骤。
目标
在本主题中，您将学习执行以下操作：
• 确定预测建模的目标
• 定义预测建模元素的术语
• 解释预测建模的基本步骤
• 识别预测建模的业务应用
• 识别业务场景数据问题
2022-02-18 20:54:37
6.6MB
1
研究网络流量预测精度问题, 网络流量受多种因素的综合影响, 其变化具有周期性、非线性和随机性等特点, 将ARIMA模型和SVM模型相结合建立一种网络流量预测模型。采用ARIMA预测网络流量周期性和线性变化趋势; 然后采用SVM对网络流量非线性和随机性趋势进行拟合; 最后将两者结果再次输入SVM进行融合, 得到网络流量最终预测结果。采用具体网络流量数据对模型性能进行测试, 仿真结果表明, ARIMA-SVM提高了网络流量预测精度, 降低了预测误差, 能更全面刻画网络流量变化规律。
2022-02-18 19:52:33
1.35MB
1