Coursera Machine Learning 第六周编程week6 ex5Regularized Linear Regression and BiasVariance编程全套满分题目+注释选做

IBM数据科学专业证书 关于此专业证书 数据科学是近十年来最热门的行业之一，对于能够分析数据并传达结果以告知数据驱动决策的数据科学家的需求从未如此高涨。 IBM的此专业证书将帮助有兴趣从事数据科学或机器学习职业的任何人发展与职业相关的技能和经验。 成为一名数据科学家需要博士学位，这是一个神话。任何对学习充满热情的人都可以获得此专业证书-无需具备计算机科学或编程语言的先验知识-并开发技能，工具和产品组合，以入门级数据科学家的身份在工作市场上具有竞争优势。 该计划包含9个在线课程，这些课程将为您提供最新的工作就绪工具和技能，包括开源工具和库，Python，数据库，SQL，数据可视化，数据分析，统计分析，预测建模和机器学习算法。您将通过使用真实数据科学工具和真实世界数据集的IBM Cloud中的动手实践来学习数据科学。 成功完成这些课程后，您将建立一个数据科学项目组合，以使您充满信心地涉足数据科

Statistics Book Focused on Linear Regression Analysis, for Students of Sciences and Engineering.

分类(Classification)与回归(Regression)都属于监督学习，他们的区别在于： 分类：用于预测有限的离散值，如是否得了癌症（０，１），或手写数字的判断，是0,1,2,3,4,5,6,7,8还是9等。分类中，预测的可能的结果是有限的，且提前给定的。 回归：用于预测实数值，如给定了房子的面积，地段，和房间数，预测房子的价格。 LinearRegression 拟合一个带有系数 w = (w1, …, wp) 的线性模型，使得数据集实际观测数据和预测数据（估计值）之间的残差平方和最小。 其数学表达式为: 进行预测前查看一下数据集 https://scikit-learn.org

emd的matlab代码 EMD-GA-DBN-Regression （MATLAB CODE） Establishing a time series forecasting model for wind speed prediction based on DBN，Due to the autocorrelation of the wind speed sequence, the predicted value and the actual value lag, so EMD is used to decompose the wind speed sequence, and then the decomposed components are modeled in turn. To further mention accuracy, the genertic algorithm （GA）is used to optimize the DBN。 (MATLAB代码)采用深度置信网络DBN建立风速预测的时间序列预测模型，由于数据本身的自相关性，导致得到的预测值与实际值存在滞后。针对这个问题

线性回归 具有特征选择的线性回归 通过拟合独立变量和因变量之间的最佳线性关系来预测目标值。 最小二乘法：y = mx + c 简单LR：仅使用单个独立变量 多个LR：使用多个独立变量时，如果它们具有多个参数，则可以使用梯度下降来降低成本函数 指标：{some imp} MSE：预测输出与实际输出之间的平均平方距离MAE：预测输出与精算输出之间的平均距离{当存在异常值时，我们使用MAE} RMSE：MSE的平方根 代码说明： 从sklearn加载的Boston数据集 检查空值并拆分数据集 使用Extratree classsifer（）{功能选择}查找功能重要性 查找特征之间的相关性 使用chi2方法选择最佳功能{selectKbest} 拟合模型 检查指标值 在这里，我们使用了3种特征选择方法来找到最合适的方法！

Applied Regression Analysis and Generalized Linear Models,3rd Applied Regression Analysis and Generalized Linear Models,3rd

matlab自相关代码通过符号回归进行生态发现 通过符号回归揭示复杂生态动力学的代码回购 陈以泽，Marco Tulio Angulo和Liu Yang-Yu 被BioEssays接受，2019（作为封面故事），第41卷，第12期 动机 了解复杂生态系统的动态是维持和控制它们的必要步骤。 然而，逆向工程生态系统动力学仍然具有挑战性，这主要是因为生态系统可能会采用非常广泛的动力学类别，这使得选择合适的模型结构来应用参数推论方法具有挑战性。 在这里，我们建议通过符号回归来缩小这种差距，这是一种机器学习方法，可以从时间数据中自动对模型结构和参数进行逆向工程。 关于发现的生态动力学的一些结果 在这里，我们显示了一些生成的样本以及样本的自相关 语言和依存关系 我们使用Matlab来实现该算法。 具体来说，我们使用开源Matlab包在符号回归算法中启用了多基因搜索。

这一讲主要介绍 Logistic regression的推导和广义线性模型，以及从广义线性模型推导出其他的很多概率分布。

岭回归代码加注释详解，附longley数据集------Ridge Regression