数据挖掘中的一元线性回归简单演示程序，利用了c#winform制作的界面，一目了然，对于数据挖掘初学者有很好的指导作用，一元线性回归的算法其实不难。

使用随机森林、SVM、线性回归等常用机器学习模型预测肺癌患病数据集的存活时长。 随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。 支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面。

使用KNN、朴素贝叶斯、SVM、线性回归等算法解决简单的分类问题 源码中包括线性归回算法、KNN算法、朴素贝叶斯算法及SVM算法的使用方法演示，以及对数据的预处理、训练建模过程。 实现对水果数据集的分析，最终将同类水果进行分类。

包含机器学习中的线性回归，包含了最佳拟合线性回顾，局部加权线性回归，岭回归以及前向逐步线性回归等算法的数据集以及代码实现。

用于线性回归分析的数据表波士顿房价housing.csv

适用于初学者，内含python线性回归不调库的实现方法（含注释）

eviews计量经济学实验报告-简单线性回归模型分析.pdf

统计参考数据集项目由美国国家标准与技术研究院IT实验室统计工程部门的工作人员维护，它是一组数据集，这些数据集已在万维网上公开提供，目的是提供基准用于测试统计软件的应用程序。 数据集由美国联邦政府机构 NIST 维护，他们向我证实，这将数据本身完全置于公共领域内。 考虑到这一点，为方便起见并为更广泛的MATLAB社区提供有用的服务，我将所有非线性回归数据集都转换为易于使用的MAT文件，其中包含每个数据集的“结构”对象，每个对象都包含： * 因变量，x * 观察/模拟，y * 描述模型函数 f(b,x) 的函数句柄* b0和b1，每个数据集给出的两个起点* 校准的真值，breal * 给定的标准偏差，bsd 引用 NIST 小组网站上的文字来激励这个项目： “...对非线性最小二乘软件的大多数评估还应包括对代码可靠性的衡量，即代码在找到（或未找到）解决方案时是否正确识别。这里提供的

python分别实现基于神经网络、线性回归、SVM方法预测学生成绩源码+数据集.zip 【完成的任务】 根据提供一组包含学生成绩与校园卡消费记录的数据。我对数据进行预处理后，分别采用神经网络、线性回归和SVM方法对学生学习成绩进行了回归。准确率为78%。 结果表明，学生经常去图书馆自习、每天在食堂吃饭不超过16块且前3学期学习成绩达到优秀的学生，在第4学期很可能再次达到优秀。该结果只针对次数据集。

1.基本概念 **线性回归（Linear Regression）**是一种通过属性的线性组合来进行预测的线性模型，其目的是找到一条直线或者一个平面或者更高维的超平面，使得预测值与真实值之间的误差最小化。 2.特点 优点：结果具有很好的可解释性（w直观表达了各属性在预测中的重要性），计算熵不复杂。 缺点：对非线性数据拟合不好 适用数据类型：数值型和标称型数据 3.自己实现的线性回归 3.1 简单线性回归 1.利用最小二乘法得到的系数 2.用简答随机数模拟的方法来搭建简单线性回归 import numpy as np import matplotlib.pyplot as plt x =