bayesian-linear-regression:通过(正态)线性回归和贝叶斯线性回归对数据建模的示例程序-源码

上传者: 42127835 | 上传时间: 2021-09-07 09:43:21 | 文件大小: 64KB | 文件类型: ZIP
贝叶斯线性回归 通过(正常)线性回归和贝叶斯线性回归对数据建模的示例程序。 并显示图表以比较这两者。 环境 Python 2.7.6 麻木 Matplotlib 跑步 $ python bayesian_lr.py 图形 绿色:正态线性回归 蓝色:贝叶斯线性回归 逻辑 功能大致如下: 使用“高斯分布”作为基函数。 假设 s = 0.1,c_i = [0.0, 0.1, ..., 1.0]。 (1) 正态线性回归 这些“欧米茄”可以通过这个方程求解。 (2)贝叶斯线性回归 后验分布表示如下。 后验分布是高斯分布,所以最可能的值是: 因此,可以通过计算 Mu_N 来找出函数。 这一次,我假设 alpha = 0.1,beta = 9.0。 Phi 是如下矩阵。 麻木 numpy.linalg.solve :求解线性矩阵方程。 参考 numpy.dot :标量积,内

文件下载

资源详情

[{"title":"( 12 个子文件 64KB ) bayesian-linear-regression:通过(正态)线性回归和贝叶斯线性回归对数据建模的示例程序-源码","children":[{"title":"bayesian-linear-regression-master","children":[{"title":"bayesian_lr.py <span style='color:#111;'> 1.25KB </span>","children":null,"spread":false},{"title":"images","children":[{"title":"posterior_3.jpg <span style='color:#111;'> 1.98KB </span>","children":null,"spread":false},{"title":"posterior_1.jpg <span style='color:#111;'> 2.54KB </span>","children":null,"spread":false},{"title":"omega_equation.jpg <span style='color:#111;'> 1.89KB </span>","children":null,"spread":false},{"title":"general_function.jpg <span style='color:#111;'> 4.06KB </span>","children":null,"spread":false},{"title":"omega_bayesian.jpg <span style='color:#111;'> 737B </span>","children":null,"spread":false},{"title":"posterior_2.jpg <span style='color:#111;'> 1.56KB </span>","children":null,"spread":false},{"title":"Phi.jpg <span style='color:#111;'> 7.21KB </span>","children":null,"spread":false},{"title":"graph.png <span style='color:#111;'> 38.49KB </span>","children":null,"spread":false},{"title":"gaussian.jpg <span style='color:#111;'> 3.18KB </span>","children":null,"spread":false}],"spread":true},{"title":"README.md <span style='color:#111;'> 2.20KB </span>","children":null,"spread":false},{"title":".gitignore <span style='color:#111;'> 9B </span>","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明