多项式回归 预测多项式回归的值

机器学习 Parag Singla教授教授的机器学习课程作业。 每个文件夹都包含问题说明，Python代码和最终报告（具有图形等）。 作业 线性回归 局部加权线性回归 逻辑回归 高斯判别分析 朴素贝叶斯 SVM（使用Pegasos和libsvm） 决策树 神经网络 K均值 PCA +支持向量机 PyTorch中的神经网络 在PyTorch / Keras中的CNN

能够让你自学Logistic Regression 的参考书

LMS算法MATLAB实现。用MATLAB编程语言实现了最小均方算法。

决定系数MATLAB代码实现return_matlab 一组简单的函数来计算回归。 成对的输入值和目标值随机分布在训练，验证和测试集中。 使用训练集theta的值可以针对任何假设进行计算。 Lambda是通过检测成本函数的最佳值来确定的。 然后，为测试集计算确定系数。 ======= 例子 example_linReg.m计算线性假设的回归。 结构拟合数据返回选定的假设，θ的向量，λ的最佳拟合值以及计算出的确定系数。 function: @(x)hypothesis(x,theta,data) theta: [6x1 double] lambda: 1.0000e-06 R2: 1 example_calcReg计算在example_hypothesis.m中给出的假设的回归。 动机 实施此回归代码的原因： 遵循计算的每一步 通过将应用的值按组分布来获得显着拟合 在不改变环境的情况下为不同的假设应用代码 用法 在Matlab中运行calcReg.m。 将输入值和目标值加载到您的工作空间中，然后选择一个假设，theta的初始值和必需的选项。 执照 有关更多信息，请参见LICENSE文件。

逻辑回归-java Logistic Regression Java 类，可用于单个或多个逻辑回归分析。 通过计算所使用的每个预测变量的优势比和 logit 来估计 beta 系数。

综合数据挖掘开源平台，性能非常好，功能包括：Classification: Support Vector Machines, Decision Trees, AdaBoost, Gradient Boosting, Random Forest, Logistic Regression, Neural Networks, RBF Networks, Maximum Entropy Classifier, KNN, Naïve Bayesian, Fisher/Linear/Quadratic/Regularized Discriminant Analysis. Regression: Support Vector Regression, Gaussian Process, Regression Trees, Gradient Boosting, Random Forest, RBF Networks, OLS, LASSO, ElasticNet, Ridge Regression. Feature Selection: Genetic Algorithm based Feature

数据科学研讨会 这是出版的的资料库。 它包含从头到尾完成该课程所必需的所有支持项目文件。 要求和设置 要开始使用项目文件，您需要： 设定 关于数据科学研讨会 为您提供了开始从事各种数据科学项目所需的基本技能。 本书将逐步介绍数据科学项目的基本组成部分，然后将所有部分放在一起以巩固您的知识并在现实世界中应用您的知识。 您将学到什么 探索有监督学习与无监督学习之间的主要区别 使用scikit-learn和pandas库处理和分析数据 了解关键概念，例如回归，分类和聚类 探索先进的技术来提高模型的准确性 了解如何加快添加新功能的过程 简化您的机器学习工作流程以进行生产 相关工作坊 如果您发现此存储库很有用，则可能需要查看我们的其他一些研讨会标题： 应用TensorFlow和Keras研讨会

logistic_regression 回归处理预测模型技术。 它显示了独立变量（也称为预测变量）或因变量或目标值之间的关系。 当输出为分类格式（例如yes / no，1或0，true或false，高或低）时，将进行逻辑回归。 与线性回归一样，我们获得的输出值在较大范围内，但对于分类输出，其输出值应介于1到0之间，因此，线性回归曲线应限制在1到o之间，这是使用逻辑回归执行的，为此，我们使用asigmod功能。 阈值的概念：用于确定输出值（在o和1之间）是否四舍五入以给出输出为0（低）还是1（高）。 阈值（0.5）和1之间的输出值四舍五入为1，低于阈值的值四舍五入为0。 对数似然的概念：使用线性回归的概念： 将上述值放在S型方程中： 现在，通过从伯纳利的特征中获得启发，我们找到了对数似然函数并将其微分，从而找到了梯度上升更新方程。 因此，可能性定义为： 对数似然变为：

Predict sales prices and practice feature engineering, RFs, and gradient boosting