采用本体（Ontology）为向量空间模型提供更为丰富、详细的概念空间，在本体的支持下，文档中的术语不再被孤立地看成关键词，而是彼此间有了一定的语义联系。以已获得丰富而详细的本体为前提，考虑当本体空间很大时，解决向量空间的高维数给计算带来复杂性与难度这一问题，提出基于HCA（Hierarchical Clustering Algorithm）的向量空间压缩算法。

UA MATH 571A R语言回归分析实践 一元回归部分的数据 需要的可以下载下来 自己练习一下R语言做回归的命令 虽然是挺简单的

#glmnet包含有线性回归，逻辑回归，泊松计数模型，cox回归模型，多分类逻辑回归多响应线性回归 #阿法系数=0是岭回归，阿法系数=1，是lasso回归 ############################################################ data(QuickStartExample) #20 Independent variables and 1 dependent variable fit<-glmnet(x,y) #查看计算路径 print(fit)#Df是非零系数的个数，第三列是惩罚力度，第二列是相应的惩罚力度对应的解释偏差百分比 #利用coef来提取模型的系数 coef(fit,s=0.1) #可视化 plot(fit) #预测 #参数newx用来设置输入数据，s用来设置朗姆塔（惩罚力度）的值 nx<-matrix(rnorm(10*20),10,20) predict(fit,newx=nx,s=c(0.1,0.05)) #交叉验证，筛选最优的朗姆塔的值，cv.glmnet函数实现这个功能 cvfit<-cv.glmnet(x,y) plot(cvfit)#红色散点为交叉验证的散点图，两条垂直的虚线为交叉验证后选定的朗姆塔 #提取最优的朗姆塔的值 cvfit$lambda.min#均方误差最小 cvfit$lambda.1se#一倍标准差 #根据朗姆塔来取得系数 coef(cvfit,s='lambda.min') #将稀疏矩阵转化为传统矩阵 as.matrix(coef(cvfit,s='lambda.min'))

本课程主要讲述如何使用python进行线性回归与非线性回归分析，包括： 基于statsmodel的线性回归方法基于sklearn的线性回归方法基于Numpy的一元多项式非线性回归方法基于sklearn的多元多项式非线性回归方法基于scipy的通用曲线拟合非线性回归方法

该文件中详细的列举了matlab进行数据回归，拟合，插值的各种函数和方法。通过该文件包中的代码，基本上可以完成几乎所有的回归，拟合与插值问题。

面板数据回归模型（固定效应、随机效应、变系数、混合回归）

学习软件_电脑学习_DRS数据回归免费下载.zip

面板数据回归方法及案例

该例程是针对阿里天气大数据预测，并进行无人机航路规划。使用了sklearn的决策树方法