CARET_Models

matlab多元参数非线性回归模型代码阅读KDNuggets的注意事项 在从[ KDNuggets ]（）阅读Blog时写了本笔记。 在本简要说明中，它仅包含我感兴趣但并不足够熟悉的术语和主题。 有关完整内容，请参阅原件。 聚类：旨在“最大化类内相似度并最小化类间相似度”的无监督学习技术。 两个关键部分：特征选择和期望最大化（EM） ： 基于距离的方法：k均值和k中值 密度和基于网格的方法： 基于矩阵分解的方法：用于表示为稀疏非负矩阵的数据-共聚。 基于频谱的方法：使用定义的基础相似度矩阵 基于图的方法：通过将相似度矩阵转换为网络结构来对数据进行聚类。 大数据 大数据的六个Vs：数量，速度，多样性，准确性，可变性和价值。 机器学习 机器学习：与如何构建随经验而自动改善的计算机程序有关的问题。 关联：标识特定用户已选择的各个项目之间的关联。 强化学习：与在给定情况下寻找合适的动作以最大程度地获得奖励有关的问题。 深度学习 深度学习：不是万能药； 不是传说中的主算法； 不是人工智能的代名词。 这是应用深度神经网络技术解决问题的过程。 生物神经元（了解有关神经元和刺激激活的更多信息）。 核：

行业分类-政务-基于有序概率回归模型的广西城乡居民文化消费与幸福感关系研究——公共政策的视角.rar

面板数据回归模型（固定效应、随机效应、变系数、混合回归）

基于Logistic回归模型评估企业还款能力matlab代码

DHARMa - 层次模型的残差诊断 “DHARMa”包使用基于模拟的方法为拟合（广义）线性混合模型创建易于解释的缩放（分位数）残差。 当前支持的是来自“lme4”（类“lmerMod”、“glmerMod”）、“glmmTMB”、“GLMMadaptive”和“spaMM”的线性和广义线性（混合）模型、广义加法模型（来自“mgcv”的“gam”）， 'glm'（包括来自 'MASS' 的 'negbin'，但不包括准分布）和 'lm' 模型类。 此外，也可以处理外部创建的模拟，例如来自诸如“JAGS”、“STAN”或“BUGS”之类的贝叶斯软件的后验预测模拟。 所得残差被标准化为 0 到 1 之间的值，并且可以直观地解释为线性回归的残差。 该软件包还为典型的模型错误指定问题提供了许多绘图和测试函数，例如过度/不足分散、零膨胀以及残余空间和时间自相关。 获得 DHARMa 从克兰 DHAR

Python语言实现的线性回归实例，源码文件和使用的数据集。源文件名称为：线性回归.py 数据文件名：CD3-8-45-4.txt

行业分类-物理装置-生成3D关节点回归模型的方法和装置.zip

第一章一元线性回归与证券投资回归分析 第二章 一般多元线性回归模型 第三章多元线性回归模型的有偏估计 第四章异方差与自相关广义线性模型 第五章方差分量线性回归模型 第六章虚拟与离散变量回归模型 第七章非线性回归模型

此代码可以用于实现地理加权回归分析；包括普通的地理加权回归和贝叶斯地理加权回归；包含算法代码和应用实例的代码；