SRACV算法，使用系数矩阵，采用CVX求解

集客业务支撑-物联网-通用-L1-认证考试题目.xlsx

LASSO回归 使用L1罚分执行正则化最小二乘回归。 给定一个响应变量Y和一个预测变量X的向量，则线性回归模型定义为 其中beta_0是截距系数， beta是预测系数的向量。 给定数据点(x_1,y_1),...,(x_N,y_N) ，此程序包使用LASSO估计回归系数。 这个L1惩罚回归分析惩罚了非零系数，其拟合通过解决以下问题获得： lambda参数确定放置在beta向量的L1范数上的罚分大小。 L1规范定义为 当lambda = 0 ，问题简化为多元线性回归，而lambda -> ∞将导致仅截距模型。 正如我们观察到的那样，对于非零罚分，LASSO将系数估计值缩减为零，这使LASSO可以进行模型选择：增加lambda ，对解释Y没多大贡献的预测变量将倾向于从模型中删除。 安装 $ npm install compute-lasso-regression 要在浏览器中使用

稀疏多元逻辑回归（SMLR）是高光谱监督分类中的重要方法,然而仅仅利用光谱信息的SMLR忽略了影像本身的空间特征,在少量监督样本下的分类精度和算法的鲁棒性仍明显不足;虽然通过引入核技巧,核稀疏多元逻辑回归（KSMLR）可以部分克服上述缺点,其分类错误仍然有待进一步降低.本文基于核稀疏多元逻辑回归分类误差的统计建模分析,提出一种联合核稀疏多元逻辑回归和正则化错误剔除的高光谱图像分类模型.提出的模型通过引入隐概率场,采取L1范数度量KSMLR分类误差的重尾特性建立数据保真项;利用全变差（Total Variation,TV）正则化度量隐概率场的局部空间光滑性.由Indian Pines和University of Pavia数据集等实测数据应用表明,该方法可以得到更鲁棒和更高的分类精度.

网上大部分资源是64位运行后还是不支持。走了很多弯路

中移网大 代维 家客 通用 L1 37套大合集 看完必过

中移网大 代维 家客 通用 L1 答案 30套大合集 看完必过

logit 模型matlab代码求系数AcceleratedCVonMLR_matlab 具有弹性网络正则化的多项逻辑回归的近似交叉验证 这是免费软件，您可以根据 GNU 通用公共许可证第 3 版或更高版本的条款重新分发和/或修改它。 有关详细信息，请参阅 LICENSE.txt。 分发此程序是希望它有用，但不作任何保证； 甚至没有对适销性或针对特定目的的适用性的暗示保证。 描述 使用给定特征数据X 的估计权重向量wV和由弹性网络正则化（ L1范数和L2范数）惩罚的多项逻辑回归的类Ycode ，该程序计算并返回近似的留一法估计量（LOOE）及其标准预测似然误差。 所有必需的代码都在“例程”文件夹中。 请注意，该程序本身不包含任何求解器来获得wV 。 为此，请使用其他分布式程序。 用法 对于Np ( >2 ) 类的多项逻辑回归， [LOOE,ERR] = acv_mlr(wV,X,Ycode,Np,lambda2) 输入： wV : N * Np维的估计权重向量 X : M * N维的特征向量集 Ycode ：表示对应特征向量所属类别的M * Np维二进制矩阵 lambda2 ： L2范

GPS信号频谱，matlab语言，里面有CA码和P码的子文件，最后将各信号频谱画出来。

nmf的matlab代码局部强凹边界的GAP安全筛查 作者：卡西欧·F·丹塔斯（Cassio F. Dantas） 这是一个Matlab代码，与以下论文相对应： [1] CF Dantas，E。Soubies和C.Févotte撰写的“扩展GAP安全筛选的边界”提交给JMLR 2021。 [2] CF Dantas，E。Soubies和C.Févotte“通过Kullback-Leibler散度进行稀疏回归的安全筛选”已提交给ICASSP 2021。 它包括三个主要的模拟案例：逻辑回归，β= 1.5散度和Kullback-Leibler散度。 所提出的技术是文献中能够解决最后引用的两个案例（beta div和KL）的第一个筛选规则。 内容 需要编译CoD_KL_l1_update.cpp（从“求解器”文件夹中运行“ mex CoD_KL_l1_update.cpp -lmwblas”）。 不提供数据集，用户需要下载数据集并将其放置在子文件夹中。/数据集（白血病，城市高光谱图像，NIPS论文，20个新闻组，口味简介和百科全书）。 有关更多说明，请参见文件load_dataset.m。 合