通过对同步采集的点焊焊接过程动态电阻、电极位移信号的特征分析,提取出若干特征参量,依据所提取特征参量与焊点接头抗剪强度之间的相关性分析结果,选取相关系数较大的6个特征参量建立数据集作为SVM的输入,分别利用线兴函数、多项式核函数、RBF核函数实现监测参量与焊点强度之间的映射.采用交叉有效性检验对不同核函数下预测结果进行比较,结果表明,RBF核函数支持向量机各项预测误差最小,有较好的应用前景.

使用Python实现广义回归神经网络（GRNN）用于数据预测，压缩包中源码GRNN.py主要用于使用训练数据集进行模型训练，同时对测试数据集进行预测，输出结果包括MAE、MAPE等误差值以及预测差值的分布情况等，train.csv为训练数据集，test.csv为测试数据集，.npy文件为保存预测的值及预测误差值。

Matlab gpr代码Two_layer_GPR_hahazing 带有图像去雾示例选择的两层高斯过程回归的源代码TCSVT。 当您使用我们提供的源代码时，请引用我们的论文“两层高斯过程回归与图像去雾的示例选择，TCSVT，2016”，作者：樊凡，王一，唐贤轩，高仁杰，罗忠轩。 说明： 请在MATLAB中运行“ GPR_dehaze.m”脚本。

概括为量化分析洞庭湖湖区工业产值、总人口数、捕鱼量、降雨量这四个影响因素对湖水中污染物的影响力。将四个因素设为自变量，通过regress函数对其进行多元线性回归分析，得出多元线性回归函数，再将结果与原始数据进行误差分析，并进行优化。

多元回归分析SPSS案例.docx

主要介绍了python实现逻辑回归的方法示例，这是机器学习课程的一个实验，整理出来共享给大家，需要的朋友可以参考学习，下来要一起看看吧。

在 python 中用 scikit-learn 库的 LogisticRegression 模型来实现逻辑回归。首先，自定义一组训练数据，包括输入特征和目标变量；然后，使用 LogisticRegression 类的 fit() 方法来训练模型。最后，用 predict() 方法来进行预测一组输入数据的结果。

回归 | | | | | Stata中的灵活和超快分组回归 version 0.51 31jul2018 概述 regressby是运行分组OLS回归的快速有效的方法； 也就是说，它会根据数据集的子集估算给定的OLS回归模型，并返回与每次回归相关的系数和标准误差。 从功能上讲，它与内置的-statsby-程序非常相似，但是-regressby-在大多数情况下的运行速度比-statsby-快10到1000倍。 当有许多组时，每组中的观察数相对较小，并且当回归模型仅包含几个参数时，性能提升特别大。 regressby支持许多有用的功能：用if / in，分析权重，异方差稳健性和聚类标准误差设置子集。 此外，与statsby不同，regressby（可选）允许用户通过返回与每对估计参数对相关的采样协方差来访问与每个回归相关联的完整方差-协方差矩阵。 动机 以示例的方式解释回归是最简单的。

非线性回归是回归函数关于未知回归系数具有非线性结构的回归。常用的处理方法有回归函数的线性迭代法、分段回归法、迭代最小二乘法等。非线性回归分析的主要内容与线性回归分析相似。

1. 提升树 boostring tree 是以决策树为基本学习器的提升方法 2. 对分类问题，提升树中的决策树是二叉决策树 3. 提升树模型可以表示为决策树为