R语言的回归分析与机器学习实践技术应用，详细介绍了R语言的应用于机器学习的方法。

libsvm回归分析，这里做的是损伤预测 测试与预测均在里面

作业（共两题） 1.根据三个财务比率估计公司破产概率。（数据见ftp 财务比率与破产预测.sav） Y=0，若两年后破产 Y=1， 若两年后仍有偿付能力 X1=未分配利润/总资产 X2=支付利息税金前的利润/总资产 X3=销售额/总资产 按照习题模式，列出最终计算结果，并做出必要解释。 （Logistic 模型最终表达式 模型检验、拟合优度 Wald 检验 最终分类表、观测与预测分布图 系数相关矩阵）

非刚性图像配准技术在计算机领域中是一个重要的研究方向,也广泛应用在医学、天文和军事等领域。非刚性图像配准过程中,往往无法同时解决局部大形变和小形变的问题。针对此问题,结合归一化互信息图像配准的理论,提出基于互信息的Active Demons非刚性图像配准算法。该算法通过引入互信息来提高Active Demons算法的驱动力,同时采用待配准图像和原图像的互信息自适应地调节归一化因子α,再对医学图像、自然图像和合成图像进行测试仿真实验。实验结果表明:所提算法在配准精度和鲁棒性上优于原来的Active Demons算法,可以较好地处理大形变图像并保留其边缘特征,得到更好的配准精度和视觉效果。

一元线性回归分析模型在家庭消费支出预测中的应用，高玉，周树民，介绍一元线性回归分析的基本概念和方法原理，并以2001年到2010年国民的城镇居民家庭人均支配收入（简称

逻辑回归 logistic regression

岭回归分析0 载入库1 数据预处理2 普通线性回归和岭回归2.1 最小二乘法，参数估计2.2 岭回归，参数估计，固定岭参数2.3 岭回归，按 CV 标准自动选择岭参数2.4 列举岭参数的值，计算回归参数，画出岭迹图，计算 VIF 0 载入库 载入 sklearn 模块中的线性回归与岭回归的函数 import numpy as np import matplotlib.pyplot as plt import pandas as pd np.set_printoptions(suppress=True) #不用科学计数法输出 from sklearn.linear_model import Li

基于互信息 和遗传算法的图像配准程序，算法求出四个参数，分别是位移量，旋转角度和缩放系数。支持256*256大小的任何灰度图像。

燃气负荷受到天气状况和经济发展等多种因素的影响, 造成燃气变化趋势具有较大的复杂性和特征因子较大的冗余性, 造成预测精度的下降. 为了解决这个问题, 在处理燃气负荷的复杂性中使用EEMD自适应的时频局部化分析方法, 将非线性非平稳的燃气负荷数据分解为平稳的本征模式分量及剩余项. 在解决特征因子之间的冗余性中, 在PCA中加入互信息分析, 使用互信息代替协方差矩阵的特征值选择特征向量, 可以有效避免PCA仅仅考虑特征之间的相关性, 忽略了与燃气负荷值关系的缺点. 最后针对不同的子序列建立对应的LSTM模型, 重构各个分量的预测值产生最后的结果. 使用上海的燃气数据进行验证, 实验结果证明本文提出的方法测试集MAPE达到6.36%, 低于其他模型的误差.

是一种简单的程序 在黄广斌的基础上进行了修改，主要用于分类为题，可以显示最后的分类结果