主要介绍了Python 线性回归分析以及评价指标详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

采用C++语言对线性回归的简单实现，数据集分别存储在ex2x和ex2y中。

Prism 使用统计方法的组合进行基于样条的多元回归。 Prism 通过平滑样条回归、PCA 和 RVR/LASSO 的组合，使用正则化、降维和特征选择来执行此回归。 如果使用工具箱，请引用本文： 马丹，CR（2016 年）。 Prism：具有正则化、降维和特征选择的多重样条回归。 开源软件杂志，31.doi:10.21105/joss.00031

音频流派分类 使用机器学习算法自动进行音乐流派分类，例如逻辑回归和 K-最近邻 使用语言： Python 2.7 此存储库包含根据以下流派对音乐进行分类的开发代码： 蓝调 古典（西方） 国家 迪斯科 金属 流行音乐 数据集 用于训练模型的数据集是 GTZAN 数据集。数据集简介： 该数据集用于 G. Tzanetakis 和 P. Cook 在 2002 年 IEEE Transactions on Audio and Speech Processing 中的流派分类“音频信号的音乐流派分类”中的著名论文。 该数据集由每 30 秒长的 1000 个音轨组成。它包含 10 个流派，每个流派由 100 首曲目表示。曲目均为 .wav 格式的 22050Hz 单声道 16 位音频文件。 官方网页：marsyas.info 下载大小：约1.2GB 下载链接：下载 GTZAN 流派合集

MATLAB实现WOA-LSTM鲸鱼算法优化长短期记忆神经网络多输入单输出回归预测（完整源码和数据） 鲸鱼算法优化参数为隐含层节点数，最大训练代数，初始学习率参数。 数据为多输入回归数据，输入7个特征，输出1个变量。 运行环境MATLAB2018b及以上,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。

对角CARIMA模型多变量广义预测控制介绍了多变量广义预测控制算法，基于受控自回归滑动平均模型（CARIMA），希望对大家有用

自变量为年份，同时选中Time选项

[b sigma2_x x_est y_est 统计] = deming(x,y,lambda,alpha) deming() 执行线性戴明回归以找到线性系数： y = b(1) + b(2)*x 假设 x 和 y *都包含测量误差，测量误差方差与 lambda = sigma2_y/sigma2_x 相关（sigma2_x 和 sigma2_y 分别是 x 和 y 变量的测量误差方差）。 计算按照 Anders Christian Jenson 在 2007 年 5 月对 MethComp 的 Deming 回归函数的描述（网站： http ://staff.pubhealth.ku.dk/~bxc/MethComp/Deming.pdf）中的描述进行，其中包括一个很好的斜率、截距、方差和 (x,y) 估计值的推导。 输入： x - [Nx1] 带误差的测量数据y - [Nx1] 有误

一维神经网络回归 在这里，我提供了一个示例，其中神经网络用于预测一维回归模型。 这是每个文件的简短描述： MLPregressionLoss.m：使用反向传播算法计算梯度 MLPregressionPredict.m：预测一维回归模型。 nnet.m ：这是一个演示，展示了每 100 次迭代的随机梯度方法的进展。

贷款违约数据集含有 年龄、教育、工龄、地址、收入、负债率、信用卡负债、其他负债以及违约情况的字段。通过各特征来判断用户的违约情况。用到的技术模型如下 逻辑回归 面对一个回归或者分类问题，建立代价函数，然后通过优化方法迭代求解出最优的模型参数，然后测试验证我们这个求解的模型的好坏。 k近邻法（k-nearest neighbor，k-NN） 一种基本的分类和回归方法，是监督学习方法里的一种常用方法。k近邻算法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其k个最近邻的训练实例类别，通过多数表决等方式进行预测。 决策树 一种基于树结构来进行决策的分类算法，我们希望从给定的训练数据集学得一个模型（即决策树），用该模型对新样本分类。决策树可以非常直观展现分类的过程和结果，一旦模型构建成功，对新样本的分类效率也相当高。 SVM(Support Vector Machine) 中文名为支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。 模型评估 可以根据混淆矩阵。得到其Accuracy准确率以及F1 score