线性回归汽车价格预测 这是用于汽车价格预测的线性回归模型 一家中国汽车公司吉利汽车（Geely Auto）希望通过在美国设立生产部门并在当地生产汽车，从而在美国和欧洲同行中竞争来进入美国市场。 他们与汽车咨询公司签约，以了解汽车定价所依赖的因素。 具体来说，他们想了解影响美国市场汽车定价的因素，因为这些因素可能与中国市场有很大不同。 该公司想知道： 哪些变量在预测汽车价格方面很重要 这些变量如何很好地描述汽车的价格 根据各种市场调查，这家咨询公司收集了整个美洲市场上各种类型汽车的大型数据集。 我们需要使用可用的独立变量对汽车价格进行建模。 管理层将使用它来了解价格随自变量的确切变化情况。 他们可以据此操纵汽车的设计，商业策略等，以达到一定的价格水平。 此外，该模型将是管理层了解新市场定价动态的好方法。 我们将使用汽车价格数据集使用线性回归模型。 我们想知道变量之间的关系，尤其是汽车

GMM-GMR是一组Matlab函数，用于训练高斯混合模型（GMM）并通过高斯混合回归（GMR）检索广义数据。 它允许通过使用期望最大化 (EM) 迭代学习算法对高斯混合模型 (GMM) 中的任何数据集进行有效编码。 通过使用此模型，高斯混合回归 (GMR) 可用于通过指定所需输入来检索部分输出数据。 然后它作为一个泛化过程，计算关于部分观察数据的条件概率。 提供了一个样本来加载包含多个轨迹数据[t，x]的数据集，其中t是时间值，x是3D中的位置。 然后在 GMM 中对联合概率 p(t,x) 进行编码，GMR 用于检索 p(x|t)，即每个时间步的预期位置。 这用于检索提供的轨迹的平滑广义版本。 源代码是EPFL/CRC Press 出版的“Robot Programming by Demonstration: A Probabilistic Approach”一书中描述的算法的实现

包含梯度下降、正规方程证明；数据集；matlab2021版本代码；juptype python代码

利用python语言实现softmax regression, 代码清晰简单。

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。