逻辑回归 实验程序 所用数据 详细参看我的博客 逻辑回归（logistics regression）

ridge_regression 用于岭回归的python代码（已实现以预测下个月的CO2浓度） 资料可用性 文件 Ridge.py ：标准函数和Ridge回归函数window_make.py ：使用滑动窗口方法制作大小为p（窗口大小）的时间序列列表。 Final_version.ipynb ：使用Co2数据对代码进行实验

texreg：R回归输出到LaTeX或HTML表的转换

matlab多元参数非线性回归模型代码高斯回归 高斯回归论文和调查清单 Swiler，L.，Gulian，M.，Frankel，A.，Safta，C.，＆Jakeman，J.（2020年）。 约束高斯过程回归调查：方法和实施挑战。 arXiv预印本arXiv：2006.09319。 刘康，胡新，魏中，李玉，姜江。（2019）。 改进的高斯过程回归模型用于锂离子电池的循环容量预测。 IEEE Transactions on Transportation Electrification，5（4），1225-1236。 Chen Z.，＆Wang，B.（2018年）。 初始超参数的先验如何影响高斯过程回归模型。 神经计算，275，1702-1710。 在多个起点情况下，先验分布的选择可能对GP模型的可预测性起着至关重要的作用。 他们为某些常用内核的超参数初始值考虑了不同类型的先验。 重要的结果是，一旦选择了内核，初始超参数的先验就不会对GPR预测的性能产生重大影响，尽管在某些情况下，超参数的估计与真实值有很大不同。 Kamath，A.，Vargas-Hernández，RA，Krems，RV

公共的抽象基类 import numpy as np from abc import ABCMeta, abstractmethod class LinearModel(metaclass=ABCMeta): """ Abstract base class of Linear Model. """ def __init__(self): # Before fit or predict, please transform samples' mean to 0, var to 1. self.scaler = StandardScaler() @abstractmethod

正向逐步模型选择算法：变量按顺序添加到活动变量集中。 该过程不涉及任何潜在协变量的统计显着性检验； 相反，它会根据变量进入活动集时的顺序生成一个排名。 该函数可以提供大小为 (K+1)xN（N 个观测值、K 个预测变量、一个解释变量）的数据集。

高斯过程回归代码，包括例程，适用于新入门高斯过程回归的人学习

贝叶斯网络改进LSTM，实现预测，比较好的算法

基于lstm算法在MATLAB对短期风速进行预测

Applied_Logistic_Regression_3rd_2013 第3版，关于logistic regression比较详细的书