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

模糊线性回归模型及其应用，王磊，郭嗣琮，本文提出了一种基于结构元线性表示的模糊回归模型，此模型的输入为精确数据，输出为模糊数据。给出了在最小二乘意义下的回归系数

向量自回归模型(VAR)学习代码

考虑线性回归模型 Y = Xb + 误差，其中误差的分布函数未知，但误差是独立且对称分布的。 该包包含一个名为 LRMDE 的函数，它以 Y 和 X 作为输入并返回模型中参数 b 的最小距离估计量。

对收集到测井数据进行去除异常值、插值、标准化、独热编码等数据预处理，分别得到预测储层物性的回归数据及识别储层含油气性的分类数据。 为了预测储层物性孔隙度，本文构建了SVM支持向量机回归模型，并对该网络的BoxConstraint和KernelScale等关键指标进行超参数调整。基于上述模型，采用留一法交叉验证将单个井作为测试集，其余不包含该井的测井数据作为训练集，以此来分析单个井的孔隙度预测结果。 对影响因素数据（除去取值深度）进行主成分分析（PCA），将第一主成分和第二主成分作为SVM支持向量机模型的输入向量序列，以六类流体性质（含油水层、差油层、干层、水层、油层及油水同层）作为标签形成输出向量序列。由于典型的SVM支持向量机只能处理二分类问题，因此本文分别构建了六个SVM分类器。并且利用混淆矩阵、ROC曲线及AUC面积来衡量以上分类模型的性能。 适用方向：统计学及机器学习算法（SVM）的实例应用 关键词：SVM支持向量机；留一法交叉验证；主成分分析；matlab

人工智能实验练习，包括线性回归，逻辑回归，深度神经网络，循环神经网络，卷积神经网络。含数据和python代码，代码文件请用Jupyterlab打开。

芯片检测数据集（三列：x1,x2,y）是一个分类数据集，适用于逻辑回归模型。 标签y是0或1