训练结果数集(pdf)与源代码。 通过梯度下降优化器进行优化，尝试采用不同的学习率和训练轮数等超参数，记录训练后的损失值和W、b变量值。 提交要求： 1、至少5次不同超参数的运行结果的记录文档（word格式或者txt格式） 2、你认为最优的一次带运行结果的源代码文件（.ipynb 格式）

每个人的生活中都有一个点，那就是该人希望购买或出售房屋。 首先考虑一个人需要买房的情况。 该人将以合理的价格寻找他/她想要的房子。 该人将具有一些决定他/她想要在房子里拥有什么功能。 该人将能够决定他/她所寻找的房屋类型是否物有所值。类似地，考虑一个人需要出售房屋的情况。 通过使用房屋价格预测系统，卖方将能够决定他/她可以在房屋中添加的所有功能，以便可以更高的价格出售房屋。 因此，从以上两种情况中我们可以确认房价预测对买卖双方都有用。本文将有助于基于各种参数来预测房价。 用户将能够输入他们想要购买的房屋类型，并在机器学习的帮助下，房屋价格预测器将显示所需房屋的估计价格。

首次针对无线传感器网络的典型室内应用环境——室内停车场对信道传播特性进行测定，通过线性回归对室内无线信道传播模型的衰减因子等参数进行拟合，并与室外测量结果进行对比，归纳出室内与室外环境中无线信号的传播具有不同特征，但仍然可用对数阴影单折线/双折线模型进行拟合，为室内无线传感器网络系统的研究与实现提供重要参考。

需求预测 用于预测需求的线性回归模型，使用python编写的笔记本运行线性回归以预测需求负荷。 数据恰好来自2013年至2015年间阿根廷Corrientes省的 。单击 查看笔记本。

房屋价格预测器 目的和技术：以下程序使用Python ， Matplotlib ， Numpy ， Sympy ， Pandas和sci-kit预测波士顿市的房价。 程序： 提出问题 收集数据 清理数据 探索可能性和相关性 图形化地建模数据 评估功能内的价格 算法：我实现了一个多元线性回归模型来预测房价。这种方法也称为多元回归，是一种统计技术，它使用几个参数变量来预测响应变量的结果。在这种情况下，我从数据集中提取了几个变量，包括房价，犯罪率，年龄，距水的近距离，税收等，以使我的模型更准确。我挑选出与初始价格数据相对应的p值较低的变量，以及对于此特定问题具有逻辑意义的其他条件。然后，我将自己的知识运用到分配方法，标准差，MSE，RMSE等方面……对房价进行最终计算。 另外，我考虑了线性回归中的多重共线性等问题，以确保我的程序尽可能精确。 数据可视化工作： 下面是一个模型，用于说明数据集中变量

Tensorflow多变量线性回归（房价预测） 。。

波士顿房屋价格与Pyspark 使用PySpark和MLlib建立波士顿房价预测的线性回归 Apache Spark已成为机器学习和数据科学中最常用和受支持的开源工具之一。 该项目是使用Apache Spark的spark.ml线性回归预测波士顿房价的温和介绍。 目标是提出一个模型来预测该地区给定房屋的中位数。 数据源 我们的数据来自Kaggle竞赛：波士顿郊区的房屋价值。 链接： ：

python 机器学习示例代码，此代码为线性回归算法示例。

陈希孺-线性回归分析.pdf

这个是多元的