乳腺癌检测：机器学习算法在威斯康星州诊断数据集上的应用 注意：此存储库已淘汰，不会移植为使用TF2。 但是，您可以以此为参考。 该论文于2018年2月2-4日在越南富国岛举行的第二届机器学习与软计算国际会议（ICMLSC）上发表。 有关该项目的全文，请访问 。 抽象 本文对威斯康星州的六种机器学习（ML）算法进行了比较： ，线性回归，多层感知器（MLP），最近邻（NN）搜索，Softmax回归和支持向量机（SVM）诊断性乳腺癌（WDBC）数据集通过测量其分类测试的准确性以及其敏感性和特异性值。 所述数据集包含特征，这些特征是根据乳腺肿块的FNA测试的数字化图像计算得出的[22]。 为

线性回归汽车价格预测 这是用于汽车价格预测的线性回归模型 一家中国汽车公司吉利汽车（Geely Auto）希望通过在美国设立生产部门并在当地生产汽车，从而在美国和欧洲同行中竞争来进入美国市场。 他们与汽车咨询公司签约，以了解汽车定价所依赖的因素。 具体来说，他们想了解影响美国市场汽车定价的因素，因为这些因素可能与中国市场有很大不同。 该公司想知道： 哪些变量在预测汽车价格方面很重要 这些变量如何很好地描述汽车的价格 根据各种市场调查，这家咨询公司收集了整个美洲市场上各种类型汽车的大型数据集。 我们需要使用可用的独立变量对汽车价格进行建模。 管理层将使用它来了解价格随自变量的确切变化情况。 他们可以据此操纵汽车的设计，商业策略等，以达到一定的价格水平。 此外，该模型将是管理层了解新市场定价动态的好方法。 我们将使用汽车价格数据集使用线性回归模型。 我们想知道变量之间的关系，尤其是汽车

公共的抽象基类 import numpy as np from abc import ABCMeta, abstractmethod class LinearModel(metaclass=ABCMeta): """ Abstract base class of Linear Model. """ def __init__(self): # Before fit or predict, please transform samples' mean to 0, var to 1. self.scaler = StandardScaler() @abstractmethod

GradDescent：多元线性回归的梯度下降算法的MATLAB实现

贝叶斯线性回归 通过（正常）线性回归和贝叶斯线性回归对数据建模的示例程序。 并显示图表以比较这两者。 环境 Python 2.7.6 麻木 Matplotlib 跑步 $ python bayesian_lr.py 图形 绿色：正态线性回归 蓝色：贝叶斯线性回归 逻辑 功能大致如下： 使用“高斯分布”作为基函数。 假设 s = 0.1，c_i = [0.0, 0.1, ..., 1.0]。 (1) 正态线性回归 这些“欧米茄”可以通过这个方程求解。 (2)贝叶斯线性回归 后验分布表示如下。 后验分布是高斯分布，所以最可能的值是： 因此，可以通过计算 Mu_N 来找出函数。 这一次，我假设 alpha = 0.1，beta = 9.0。 Phi 是如下矩阵。 麻木 numpy.linalg.solve ：求解线性矩阵方程。 参考 numpy.dot ：标量积，内

Coursera Machine Learning 第六周编程week6 ex5Regularized Linear Regression and BiasVariance编程全套满分题目+注释选做

Statistics Book Focused on Linear Regression Analysis, for Students of Sciences and Engineering.

分类(Classification)与回归(Regression)都属于监督学习，他们的区别在于： 分类：用于预测有限的离散值，如是否得了癌症（０，１），或手写数字的判断，是0,1,2,3,4,5,6,7,8还是9等。分类中，预测的可能的结果是有限的，且提前给定的。 回归：用于预测实数值，如给定了房子的面积，地段，和房间数，预测房子的价格。 LinearRegression 拟合一个带有系数 w = (w1, …, wp) 的线性模型，使得数据集实际观测数据和预测数据（估计值）之间的残差平方和最小。 其数学表达式为: 进行预测前查看一下数据集 https://scikit-learn.org

线性回归 具有特征选择的线性回归 通过拟合独立变量和因变量之间的最佳线性关系来预测目标值。 最小二乘法：y = mx + c 简单LR：仅使用单个独立变量 多个LR：使用多个独立变量时，如果它们具有多个参数，则可以使用梯度下降来降低成本函数 指标：{some imp} MSE：预测输出与实际输出之间的平均平方距离MAE：预测输出与精算输出之间的平均距离{当存在异常值时，我们使用MAE} RMSE：MSE的平方根 代码说明： 从sklearn加载的Boston数据集 检查空值并拆分数据集 使用Extratree classsifer（）{功能选择}查找功能重要性 查找特征之间的相关性 使用chi2方法选择最佳功能{selectKbest} 拟合模型 检查指标值 在这里，我们使用了3种特征选择方法来找到最合适的方法！

这是一组用于进行贝叶斯线性回归的 MATLAB 函数。 派生也包括在内。