参考个人博客《Spark RDD 论文详解（三）Spark 编程接口》了解详情

matlab开发-最小平方线性回归。可视化最小二乘回归的概念

薪水预测：一个使用线性回归和库numpy，pandas，sklearn，matplotlib预测排尿的小型项目

建立完回归模型后，还需要验证咱们建立的模型是否合适，换句话说，就是咱们建立的模型是否真的能代表现有的因变量与自变量关系，这个验证标准一般就选用拟合优度。 拟合优度是指回归方程对观测值的拟合程度。度量拟合优度的统计量是判定系数R^2。R^2的取值范围是[0，1]。R^2的值越接近1，说明回归方程对观测值的拟合程度越好；反之，R^2的值越接近0，说明回归方程对观测值的拟合程度越差。 拟合优度问题目前还没有找到统一的标准说大于多少就代表模型准确，一般默认大于0.8即可 拟合优度的公式：R^2 = 1 – RSS/TSS 注： RSS 离差平方和 ； TSS 总体平方和 理解拟合优度的公式前，需要先了

求解多元线性回归方程解的IDL代码，其中包括矩阵的高斯消元的步骤，txt文件保存的是导入的矩阵数据，矩阵的行列数根据数据确定

一元线性回归，使用python语言。线性回归是利用数理统计中的回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。分析按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。

人工智能机器学习入门，minist线性回归，图像识别预测分类

果要根据回归方程进行预测和控制，还应该计算很多指标，如偏相关指标，t分布检验指标等，不过，本文只是介绍2个函数，并不是完整的回归分析程序，因此没必要计算那些指标。

鲁棒非线性回归：使用维纳模型和稀疏性优化的鲁棒非线性回归

本资源包括 线性回归，Logistic回归和一般回归，K-means聚类分析，独立分析，线性判别分析，增强学习，还有混合高斯模型和EM算法的的学习笔记，往后还有更新。