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

梅蒂斯-路德 电影票房数据的网络抓取和线性回归（第 2-3 周） -

LASSO回归 使用L1罚分执行正则化最小二乘回归。 给定一个响应变量Y和一个预测变量X的向量，则线性回归模型定义为 其中beta_0是截距系数， beta是预测系数的向量。 给定数据点(x_1,y_1),...,(x_N,y_N) ，此程序包使用LASSO估计回归系数。 这个L1惩罚回归分析惩罚了非零系数，其拟合通过解决以下问题获得： lambda参数确定放置在beta向量的L1范数上的罚分大小。 L1规范定义为 当lambda = 0 ，问题简化为多元线性回归，而lambda -> ∞将导致仅截距模型。 正如我们观察到的那样，对于非零罚分，LASSO将系数估计值缩减为零，这使LASSO可以进行模型选择：增加lambda ，对解释Y没多大贡献的预测变量将倾向于从模型中删除。 安装 $ npm install compute-lasso-regression 要在浏览器中使用

线性回归 在python中实现线性回归模型