线性回多元线性回归与多项式回归，讲义，例题

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！

matlab多元参数非线性回归模型代码阅读KDNuggets的注意事项 在从[ KDNuggets ]（）阅读Blog时写了本笔记。 在本简要说明中，它仅包含我感兴趣但并不足够熟悉的术语和主题。 有关完整内容，请参阅原件。 聚类：旨在“最大化类内相似度并最小化类间相似度”的无监督学习技术。 两个关键部分：特征选择和期望最大化（EM） ： 基于距离的方法：k均值和k中值 密度和基于网格的方法： 基于矩阵分解的方法：用于表示为稀疏非负矩阵的数据-共聚。 基于频谱的方法：使用定义的基础相似度矩阵 基于图的方法：通过将相似度矩阵转换为网络结构来对数据进行聚类。 大数据 大数据的六个Vs：数量，速度，多样性，准确性，可变性和价值。 机器学习 机器学习：与如何构建随经验而自动改善的计算机程序有关的问题。 关联：标识特定用户已选择的各个项目之间的关联。 强化学习：与在给定情况下寻找合适的动作以最大程度地获得奖励有关的问题。 深度学习 深度学习：不是万能药； 不是传说中的主算法； 不是人工智能的代名词。 这是应用深度神经网络技术解决问题的过程。 生物神经元（了解有关神经元和刺激激活的更多信息）。 核：

很详细的steplineregression的源码，逐步回归，去除不显着的自变量。真正源码，破除function linest()中的自变量最多16的限制，任意多变量。

机器学习C++源码解析-线性回归linereg算法-源码+数据

简单的梯度下降应用，适合初学者参考，代码可运行

回归分析是通过建立模型来研究变量之间相互关系的密切程度、结构状态及进行模型预测的一种有效工具，在工商管理、经济、社会、医学和生物学等领域应用十分广泛。从19世纪初高斯提出最小二乘估计算起，回归分析的历史已有200多年。从经典的回归分析方法到近代的回归分析方法，按照研究方法划分，回归分析研究的范围大致如下： 一元线性回归线性回归多元线性回归多个因变量与多个自变量的回归如何从数据推断回归模型基本假设的合理性基本假设不成立时如何对数据进行修正回归诊断判断回归方程拟合的效果选择回归函数的形式自变量选择的标准回归变量选择逐步回归分析法回归分析偏最小二乘回归参数估计方法改进岭回归主成分回归一元非线性回归非线性回归分段回归多元非线性回归自变量含有含有定性变量的回归定性变量的情况因变量含有定性变量的情况 在数据挖掘环境下，自变量与因变量具有相关关系，自变量的值是已知的，因变量是要预测的。

现在忘掉Sklearn吧，来自己手写一个人工智能线性回归

应用线性回归预测医疗费用，含详细讲解及源代码

Python实现线性回归、逻辑回归、KNN、SVM、朴素贝叶斯、决策树、K-Means7种机器学习算法的经典案例——亲测可用