y作m次多元式拟合的MATLAB代码机器学习（MATLAB）-正则化线性回归和偏差/方差 斯坦福大学的机器学习课程。 环境 macOS Catalina（版本10.15.3） MATLAB 2018 b 数据集 ex5data1.mat 此仓库中包含的文件 ex5.m-分步练习的Octave / MATLAB脚本 ex5data1.mat-数据集 Submit.m-将解决方案发送到我们的服务器的提交脚本 featureNormalize.m-功能归一化功能 fmincg.m-函数最小化例程（类似于fminunc） plotFit.m-绘制多项式拟合 sigmoid.m-Sigmoid函数 trainLinearReg.m-使用成本函数训练线性回归 [⋆] linearRegCostFunction.m-正则化线性回归成本函数 [⋆] learningCurve.m-生成学习曲线 [⋆] polyFeatures.m-将数据映射到多项式特征空间 [⋆] validationCurve.m-生成交叉验证曲线 第1部分：正则线性回归 我们将执行正规化线性回归，以利用水库中水位的变化预测从大坝

机器学习回归项目 使用的著名UCI数据集来预测葡萄酒质量。

LMS(Least Mean Square)算法因其结构简单、稳定性好等优点,得到了广泛的应用,但在收敛速度和稳态失调之间存在着固有矛盾,通过对步长因子的调整可以克服这一矛盾。分析研究了已有的变步长LMS算法,在此基础上提出了一种改进的变步长LMS算法。理论分析和计算机仿真表明该算法不但具有较快的收敛速率,并且具有更小的稳态误差。

线性回归 一个简单的线性回归机器学习程序，用Python 3.4编写 依存关系 numpy： ://www.numpy.org/ Docopt： ： 如果按照“安装”下的说明进行操作，则不必手动安装。 安装 获取此存储库中的文件。 例如：git clone 在命令提示符下，导航到此存储库在计算机上的保存位置。 您应该看到文件setup.py。 安装 跑步 > python setup.py install # do not use 'pip install .', this is just a script 您现在应该可以直接运行“ regress.py” 训练集和测试集 regress.py将使用训练集来学习一个权重矩阵，该矩阵将应用于测试集中每个条目的属性，以预测该条目的类别。 它将比较其预测与实际类别，并查看其预测是否正确。 处理完所有条目后，它将报告其总体准确性。

Gaussian Process Regression源码.zip

有文档，有代码

# Linear regression example Trains a single fully-connected layer to fit a 4th degree polynomial.

matlab代码影响美国大陆气候异常的回归 灵感 气候变化使极端降雨的可能性更大。 了解温度对降水影响的变化对于长期预报和气候建模至关重要，对于干旱和洪水的预报和准备至关重要。 该项目的目的是确定使用Niño3.4指数根据温度异常定义的厄尔尼诺现象的降雨回归，以及该因子是否在美国大陆以及不同季节有所变化。 它能做什么 我通过线性回归和相关分析，探索了Niño3.4（温度异常代理）与季节性降雨总量的遥相关。 在66年间（1948年至2014年）的八次模拟合奏中，已完成了一项调查，目的是调查温度在美国各地调节降雨中的作用。 我是如何建造的 该数据集是从每月降水量数据下载的，分为四个季节：Spring（3月至4月至5月），夏季（6月至7月至8月），秋季（9月至10月至11月）和冬季（12月至1月至2月）。 对于每个季节，都执行空间线性回归和相关性分析，并将其制作成回归/相关系数图，以方便比较。 最后，应用Student's t检验来确定相关性是否具有统计显着性，以便获得可靠的结果。 我遇到的挑战 除夏季外，没有其他在空间上一致的ENSO降水相关性。 在所有其他季节，降水与Niño3.4指数之

G eorgia Tech 一世tem [R 回应钍ory Girth是一个python软件包，用于估计项目响应理论（IRT）参数。 此外，还支持合成IRT数据生成。 以下是可用功能的列表，有关更多信息，请访问GIRTH。 对贝叶斯模型感兴趣？ 出 。 它提供了马尔可夫链和变分推断估计方法。 二分模型 拉希模型 联合最大似然 有条件的可能性 边际最大似然 一参数逻辑模型 联合最大似然 边际最大似然 两参数逻辑模型 联合最大似然 边际最大似然 混合预期的先验/边际最大可能性 三参数逻辑模型边际最大可能性（无优化和最小支持） 多模型 分级React模型 联合最大似然 边际最大似然 混合预期的先验/边际最大可能性 部分信用模型 联合最大似然 边际最大似然 分级展开模型边际最大似然 能力估计 二分法 边际似然估计 最大后验估计 预期后验估计 多义的预期后验估计 支持的综合数据生成 Rasc

深层象征回归 深度符号回归（DSR）是一种用于符号回归的深度学习算法-从输入数据集中恢复可处理的数学表达式的任务。 软件包dsr包含DSR的代码，包括单点，并行化的启动脚本（ dsr/run.py ），基于基线遗传编程的符号回归算法以及与您自己的数据一起使用的类似sklearn的界面。 该代码支持ICLR 2021的论文《 。 安装 使用Pip在Python 3虚拟环境中安装非常简单。 从存储库根目录： python3 -m venv venv3 # Create a Python 3 virtual environment source venv3/bin/activate # Activate the virtual environmnet pip install -r requirements.txt # Install Python dependencies export C