sklearn实现梯度下降(SGDRegressor)的Jupyter NoteBook文件

详尽搜索 这个R包的目的是提供一个易于使用，快速和可扩展的穷举搜索框架。 详尽的功能选择可能需要安装和评估大量模型。 因此，执行速度和内存管理是执行此类任务的关键因素。 该软件包通过使用多线程C ++后端解决了这两个问题。 通过仅存储最佳结果来保持内存使用率不变。 这样可以评估通常在标准设置中通常不可行的巨大任务。 安装 您可以从CRAN安装ExhaustiveSearch R软件包的发行版： install.packages( " ExhaustiveSearch " ) 当前开发版本可以从GitHub安装： devtools :: install_github( " RudolfJagdhuber/ExhaustiveSearch " ) 用法 主要功能ExhaustiveSearch()使用典型的formula和data结构，您可能会对lm()或glm()等函数熟悉。 作为

skpr：生成并评估D，I，A，Alias，E，T，G和自定义最佳设计。 支持生成和评估混合和分割-分割-N-分割图设计。 包括参数和蒙特卡洛功率评估功能。 提供使用其他软件包提供的功能或用户编写的功能来评估功能的框架

基于java实现的一元线性回归代码，包括三个类

利用matlab代码实现的图像修复， 采用线性回归的方法，有样例，可直接运行

斯坦福机器学习编程作业machine-learning-ex1，Linear Regression，线性回归题目，满分，2015最新作业答案

应用线性回归模型 非常好的一本书，国外很多大学选作为回归分析课的教材，值得好好研读。

机器学习算法之线性回归 最小二乘法和岭回归算法的实现，对应博文为： http://blog.csdn.net/suipingsp/article/details/42101139