Linear_Regression_BoomBike 创建线性回归模型以预测自行车销量 问题陈述 美国一家自行车共享提供商BoomBikes最近在收入方面遭受了大幅下滑。 他们已与一家咨询公司签约，以了解这些共享自行车的需求所依赖的因素。 具体来说，他们想了解影响美国市场上这些共享单车需求的因素。 该公司想知道： 哪个变量在预测共享单车的需求方面很重要 这些变量如何很好地描述了自行车的需求 经营目标 使用可用的独立变量对共享自行车的需求进行建模。 管理层将使用它来了解需求随不同功能的确切变化情况。 他们可以据此操纵业务战略，以满足需求水平并满足客户的期望。 此外，该模型将是管理层了解新市场需求动态的好方法。

Decision_Tree_Regression 使用Python进行决策树回归 执行代码的步骤： •首先下载决策树Regression.py文件和数据集。 并确保两个文件都在文件夹中。 •然后在任何Python编译器中打开python文件并运行代码。

Linear-regression

房价，高级回归技术 Kaggle完成 用于

鲁棒非线性回归：使用维纳模型和稀疏性优化的鲁棒非线性回归

Bayesian and Frequentist Regression Methods

随机森林回归 森林随机回归

非参数回归广泛应用于许多科学和工程领域，例如图像处理和模式识别。 非参数回归即将估计一个随机变量的条件期望： E(Y|X) = f(X) 其中 f 是一个非参数函数。 基于核密度估计技术，该代码实现了所谓的 Nadaraya-Watson 核回归算法，特别是使用高斯核。 回归的默认带宽来自文献中建议的高斯核密度估计的最佳弯曲宽度。 代码还可以处理丢失的数据。

基于lstm算法在MATLAB对短期风速进行预测(Based on LSTM algorithm, short-term wind speed was predicted in MATLAB)

EDA和ML项目 存储库包含各种项目，这些项目都使用R语言编写了以下代码： 探索性数据分析 机器学习模型（线性回归，逻辑回归，k均值聚类，分层聚类，SVM，决策树，随机森林，时间序列分析，XGBoost） 以下是一些常用的程序包/库的列表，这些程序包/库被用作数据分析和构建机器学习模型的一部分 数据处理： dplyr，plyr，tidyr，stringer，data.table，lubridate（用于日期处理）， 数据可视化： ggplot2，cowplot，ggthemes，比例 ML模型： randomForest，caret（用于数据拆分，交叉验证，预处理，特征选择，变量重要性估计等） 推荐模型： re荐 文本挖掘： tm，tidyverse