机器学习大作业线性回归模型和卷积模型识别数字手写体.zip使用TensorFlow技术和Flask框架相结合，采用MNIST数据集作为数据，通过前端HTML和jQuery框架，利用canvas画布将用户在屏幕上的手写文字传入到后台Flask的Restful API中，然后flask通过调取模型接口，把数据传入模型中进行手写体识别，形成一个完整的闭环。本文使用两种方法训练数据，线性和卷积的方法，并将结果进行对比。训练结果较为理想，可以有效识别出手写数字，并得到较好的准确率。 本次MNIST手写数字识别首先使用MNIST来导入数据，建立模型，建立了线性模型和卷积模型。再通过调取模型，进行训练，建立训练模型，保存参数模型，得到训练模型。通过前端请求，加载模型，进行调用。完成数据传入，训练，打包，调用。可以作为基础，可以通过相关数据集训练进行更多图像分类。

AR模型阶数确定 有几种方法来确定。如 Shin 提出基于 SVD的方法，而 AIC和 FPE方法是目前应用最广 泛的方法。 若计算出的 AIC较小，例如小于 -20，则该误差可能对应于损失函数的 1e-10级别， 则这时阶次可以看成是系统合适的阶次。

摘要：提出建立中国人口预测的半参数自回归模型，基于线性回归选取的显著性变量，利用多项式样条估计得到了半参数自回归方程，并且对中国2004～2009年人口进行了预

逻辑回归模型训练分类器并可视化（每一行表示一个样本，每一行有三个数值，其中前两个值代表输入属性x，最后一个值代表标签y）

使用Logistic回归的糖尿病分类模型 据估计，全世界有4.15亿人患有糖尿病，估计占世界成年人口的11分之一。 46％的糖尿病患者未被诊断。 作为“彩色计算机视觉编码器”课程的一部分，我们学习了许多不同的机器学习算法，以及如何将它们用于解决现实世界中的问题。 对于实用分类，我选择浏览包含糖尿病最常见症状的糖尿病数据集。 我的模型能够弄清楚“多尿症”和“多尿症”是最常见的糖尿病指标。 我用来解决此任务的方法是： 数据集 数据上传到AWS S3- 建立 用法

回归参数估计 使用不同方法的回归模型中参数估计的R代码： 最小二乘 梯度下降 大都会-哈丁斯 使用JAGS进行吉布斯采样 该代码用于具有一个预测变量的线性回归问题（单变量回归）。 目的是通过一个简单的示例并为所有方法提供基本实现，以介绍机器学习中广泛使用的重要方面，例如梯度下降和蒙特卡洛方法。 此博客文章中介绍了不同的方法和代码： :

线性回归模型 普通最小二乘线性回归模型的实现。

Matlab可以使用fitrsvm创建回归支持向量机模型。fitrsvm在中低维预测变量数据集上训练或交叉验证支持向量机（SVM）回归模型。 fitrsvm支持使用内核函数映射预测变量数据，并支持通过二次编程实现目标函数最小化。要在高维数据集（即包含许多预测变量的数据集）上训练线性SVM回归模型，请改用fitrlinear。

河钢数字信达，热风炉SVR建立回归模型SVMcgForRegress和预测模型svmpredict，内含现场数据。勿做商用。违规必究。

python-一元线性回归模型.ipynb