主要介绍了Python编程实现线性回归和批量梯度下降法代码实例，具有一定借鉴价值,需要的朋友可以参考下
2021-10-29 20:16:54
112KB
1
保守值法matlab代码GD方法
梯度下降法
说明：该存储库包含不同版本的梯度下降算法的实现。
版权所有（c）2020
Behrad
Soleimani保留所有权利
接触：
日期：2020年4月25日
要求：在Matlab
R2019a版本中实现，但应在大多数版本上运行。
内容：
main.m：主脚本。
GradDescent.m：带有（回溯）线搜索的梯度下降。
GradDescent_BB.m：使用Barzilai-Borwein更新的梯度下降。
GradDescent_Nesterov.m：
Nesterov加速梯度下降。
ProjGradDescent.m：投影梯度下降。
LipschitzEstimation.m：
Lipschitz常数估计函数。
LogisticRegression.m：
Logistic回归目标函数。
DualSVM.m：对偶软SVM目标函数。
说明：简单易用。
将所有代码下载到目录中并运行main.m，这将生成一个如下所述的示例。
要单独使用功能，请查看功能说明。
例子：
在此示例中，我们考虑带有二进制标签的逻辑回归问题。
为了校准样本，我们通过梯度下降
2021-10-28 17:51:32
131KB
1
基于jupyter notebook的python编程—–利用梯度下降算法求解多元线性回归方程，并与最小二乘法求解进行精度对比目录一、梯度下降算法的基本原理1、梯度下降算法的基本原理二、题目、表格数据、以及python环境搭建1、多元线性回归分析求解题目2、准备的多元线性回归方程的变量的表格数据3、搭建python环境三、梯度下降算法求解多元线性回归的方程的python代码实现1、导入基本库、数据，并为变量赋值2、定义系数初始值以及学习率和迭代次数3、定义最小二乘法函数-损失函数（代价函数）4、定义梯度下降算法求解线性回归方程系数python函数5、代用函数，进行系数求解，并打印6、画出回归方
2021-10-28 11:04:59
491KB
1
该文件以三阶实对称正定系数矩阵A为例，实现了共轭梯度法（极小化方法）求解Ax=b。可扩展到任意维数。
【注】：资源购买后，如果发现中文注释乱码，请第一时间私信我解决。
2021-10-26 18:01:49
1KB
Gradient Boosting Decision Tree
1. 构建与使用
1.1 构建
Windows: 使用 Visual Studio 2017 打开解决方案并生成即可。
Linux: 根目录提供了 makefile 文件，使用 make 编译即可，需要 gcc >= 5.4.0
1.2 使用
用法：boost
接受 LibSVM 格式的训练数据输入，如下每行代表一个训练样本：
: : :
用于预测的数据输入和训练数据类似：
:<featu
2021-10-26 17:29:35
380KB
1
phog
matlab代码从原始
matlab
代码转换而来的定向梯度的
PHOG
金字塔直方图来自
2021-10-26 15:59:19
21KB
1
使用梯度的锐度估计这是最简单、最基本的锐度衡量标准。 尽管存在许多其他出色的技术，但即使是这种原始估计算法也发现自己具有不错的实际用途。 该文件读取图像并对其进行越来越多的迭代平滑以呈现锐度如何降低。 该方法针对均值和非锐化（锐化）过滤进行了测试。
用法：只需执行此文件。 （记得在这个文件旁边有 lena.jpg）。 所有结果都将打印到 matlab 控制台。
版权所有 (c) 2011，Tolga Birdal
2021-10-25 21:23:05
49KB
1
NGBoost：用于概率预测的自然梯度提升
ngboost是一个Python库，实现了“自然梯度增强”，如。 它建立在，旨在针对适当的评分规则，分布和基础学习者的选择进行扩展和模块化。 在此可以对NGBoost的基本方法进行详尽的介绍。
安装
via pip
pip install --upgrade ngboost
via conda-forge
conda install -c conda-forge ngboost
用法
波士顿住房数据集上的概率回归示例：
from ngboost import NGBRegressor
from sklearn . datasets import load_boston
from sklearn . model_selection import train_test_split
from sklearn . metrics import mean_squared_error
X , Y = load_boston ( True )
X_train , X_test , Y_train , Y_test = train_test_split
2021-10-25 15:35:56
9.5MB
1
本文实例为大家分享了python批量梯度下降算法的具体代码，供大家参考，具体内容如下
问题：
将拥有两个自变量的二阶函数绘制到空间坐标系中，并通过批量梯度下降算法找到并绘制其极值点
大体思路：
首先，根据题意确定目标函数：f(w1,w2) = w1^2 + w2^2 + 2 w1 w2 + 500
然后，针对w1,w2分别求偏导，编写主方法求极值点
而后，创建三维坐标系绘制函数图像以及其极值点即可
具体代码实现以及成像结果如下：
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d.axes3
2021-10-25 12:48:01
54KB
1