GSL 的参考论文之一 for multidimensional root finding 适合学数值分析或计算方法的朋友们参考。

在这个模拟中，最小均方 (LMS) 和最小均方 (LMF) 算法在非高斯噪声环境中进行了系统识别任务的比较。 众所周知，在非高斯环境中，LMF算法优于LMS算法，在此实现中可以看到相同的结果。 此外，还对附加白均匀噪声的定制功能进行了编程。

Google Earth engine(GEE )实现随机森林的回归算法.

GroongaPackages回归测试 Groonga 包的测试工具。 要求 安装 $ gem install groonga_packages_regression_test 用法 $ groonga_packages_regression_test pull $ groonga_packages_regression_test install $ groonga_packages_regression_test go 作者 横山文 执照 LGPLv2.1 或更高版本。 有关详细信息，请参阅。

回归森林的matlab代码。转载，版权abhirana所有。

基于图的LS图的SLAM优化 基于图的SLAM最小二乘图优化算法的实现。 内容： ->优化过程伪代码 ->包含算法所需的图形顶点和边数据的文件夹 >算法所需的函数 >图表示和优化算法所需的类 >从Data文件夹中读取数据，构建图形，执行优化算法，绘制结果 结果：

预算matlab代码###线性回归模板 #### Description在MATLAB和python中实现的线性回归算法。 使用梯度下降或正态方程学习回归参数。 允许任何（合理）数量的连续特征。 将输入（csv文件）分为训练集和测试集。 使用训练集学习参数，并计算训练集和测试集上的误差。 如果使用梯度下降（脚本中的set选项），则绘制成本函数收敛图。 基于的Ex.1的代码。 ####用于开发和测试的数据集 ####文件MATLAB回归脚本：linear_regression_script.m 脚本的功能形式（允许在函数调用中指定参数）：linear_regression.m 回归脚本的Python实现：lin_reg.py 主脚本和函数使用的MATLAB函数：computeCostMulti.m，gradientDescentMulti.m

基于Logistic Regression模型实现手写数字识别

非线性优化经典著作——《methods for nonlinear least square problems》

全英文的，但却是求解最小二乘问题的经典，值得学习！