如何用简单的深度学习(线性回归)生成x*y
深度学习是一种机器学习的方法，通过构建多层神经网络模型来实现对数据的学习和预测。线性回归是深度学习中的一种基本模型，用于建立输入特征与输出目标之间的线性关系。
要用简单的深度学习（线性回归）生成x*y，可以按照以下步骤进行：
- 数据准备：准备一组包含输入特征x和对应输出目标y的训练数据集。例如，可以选择一组x和y的数值对，如x=[1, 2, 3, 4]，y=[2, 4, 6, 8]。
- 模型构建：构建一个简单的线性回归模型，该模型由一个输入层和一个输出层组成。输入层接收输入特征x，输出层输出预测结果。
- 模型训练：使用训练数据集对模型进行训练，通过调整模型中的参数，使得模型能够最好地拟合训练数据。训练的过程就是通过不断迭代优化模型参数的过程，使得模型的预测结果与真实值之间的误差最小化。
- 模型预测：训练完成后，使用训练好的模型对新的输入特征进行预测。对于给定的x值，通过模型的预测过程，可以得到对应的y值。
简单的深度学习（线性回归）生成x*y的示例代码如下（使用Python和TensorFlow）：
import tensorflow as tf
# 准备训练数据
x_train = [1, 2, 3, 4]
y_train = [2, 4, 6, 8]
# 构建模型
model = tf.keras.Sequential([
tf.keras.layers.Dense(units=1, input_shape=[1])
])
# 编译模型
model.compile(optimizer='sgd', loss='mean_squared_error')
# 训练模型
model.fit(x_train, y_train, epochs=100)
# 预测结果
x = 5
y_pred = model.predict([x])
print("预测结果：", y_pred)在这个示例中，我们使用TensorFlow库构建了一个简单的线性回归模型。通过对训练数据进行100次迭代的训练，模型会逐渐优化参数，使得模型能够更好地拟合训练数据。最后，我们使用训练好的模型对输入特征x=5进行预测，得到对应的输出结果y_pred。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云深度学习平台：https://cloud.tencent.com/product/tensorflow
- 腾讯云机器学习平台：https://cloud.tencent.com/product/mlstudio
- 腾讯云人工智能平台：https://cloud.tencent.com/product/ai
- 腾讯云云服务器：https://cloud.tencent.com/product/cvm
- 腾讯云云数据库：https://cloud.tencent.com/product/cdb
- 腾讯云云存储：https://cloud.tencent.com/product/cos
- 腾讯云区块链服务：https://cloud.tencent.com/product/tbaas
- 腾讯云物联网平台：https://cloud.tencent.com/product/iotexplorer
- 腾讯云移动开发平台：https://cloud.tencent.com/product/mpe
- 腾讯云音视频处理：https://cloud.tencent.com/product/mps
- 腾讯云网络安全：https://cloud.tencent.com/product/ddos
- 腾讯云元宇宙：https://cloud.tencent.com/product/ue
- 腾讯云云原生应用平台：https://cloud.tencent.com/product/tke
相关·内容
1回答
向量线性回归
、、、
我有两个向量：
X -属维数N的输入向量
Y -与X (N)相同维数的输出向量
这些向量是通过以下方式联系起来的：
Y = FX
其中F是一个线性变换，但它是未知的。可能，我可以使用大量的X和Y构建数据集。有一种通过线性回归/神经网络寻找F的方法。还没有定义向量大小，但它很大(超过1000个元素)。
有人能帮我找到一些关于如何用机器学习来解决这个问题的参考吗？我已经寻找多元线性回归，但它指向多变量而不是向量。
浏览 5提问于2021-02-03得票数 0
回答已采纳
我们知道如何用梯度下降来确定回归参数。如果
📷
成本函数为C=|Y-Y(X)|^2，我们将b更新为
📷
哪里
📷
是学习率和
📷
是成本函数C相对于b的偏微分。
如果在多元回归中存在一种相互作用，并且我们希望坚持线性模型公式(不使用树或其他非线性回归器)，那么
📷
成本函数仍然是一样的，我们是否只是用相同的方式更新b呢？即相互作用项的存在对梯度下降没有影响。我没有看到有或没有相互作用的梯度下降的任何差异。
浏览 0提问于2018-02-16得票数 3
回答已采纳
1回答
python线性回归:稠密与稀疏
、、、、
我需要在稀疏矩阵上使用线性回归。我的结果一直很差，所以我决定在一个稀疏的非稀疏矩阵上测试它。数据取自。
我已经为一些列生成了最大归一化值。CSV文件在这里：
运行正常的线性回归很好。样本代码：
df = pd.read_csv("maxnorm_50_Startups.csv")
y = pd.DataFrame()
y = df['Profit']
x = pd.DataFrame()
x = df.drop('Profit', axis=1)
x_train, x_test, y_train, y_test = train_test_spli
浏览 0提问于2021-07-04得票数 3
回答已采纳
3回答
线性回归模型
、、
我是机器学习的新手，我想学的第一个概念是线性回归。我读过，要应用线性回归，我需要使用线性模型。从这个假设出发，我知道这是一个简单的线性回归模型：
y = w0 + w1x
线性回归的定义是，因变量y应该是参数w的线性组合(但对于自变量x则不一定相同)。
所以我们可以说，这也是一个线性回归模型：
y = w0 + w1x1 + w2(x2)^2
在这种情况下，我应该说这是一个线性回归模型，因为对于定义来说，w0、w1和w2在表达式中仍然是线性的。即使存在自变量x2的二次项。
现在，我有个问题。如下所示的模型：
y = w1 x1 + w2 x2 + w3 x3 + w4 x1x2 + w5 (
浏览 0提问于2018-06-26得票数 2
1回答
在线性回归中，我们希望最小化成本函数(S)(即均方误差)
假设数据集只有一个特征和一个目标。
我们最初使用的回归线为y=α+β* x，其中α是偏差，β是x的系数。
通过使用δS/δα= 0，δS/δβ=0，我们可以直接推导出α，β的公式为
β=(∑(xi-x̅)*(yi-y̅))/(∑(xi-x̅)^2)其中x̅，y̅是x，y的均值
α=y̅-β*x̅
因此，既然我们可以直接获得最佳拟合曲线的α，β，为什么我们需要通过迭代学习α，β？
浏览 8提问于2017-12-13得票数 0
回答已采纳
2回答
数据集的预测能力
、、
我正在为本科生读一本关于机器学习的书。实际上，我对线性回归的灵活性感到困惑：
有时，线性回归将无法恢复一个好的解决方案的数据集。虽然这可能是因为我们的数据实际上没有预测能力，但它也可能只是表明我们的数据是以不适合线性回归的格式提供的。
我在这里读到了一些关于预测能力的问题，我注意到这都是关于模型产生的。当我们谈到数据集的预测能力时，意味着什么？
我认为这是因为特性之间没有关系(因为线性回归的目的是学习输入X和输出Y之间的关系)。但我还不相信这个答案。
浏览 0提问于2020-09-03得票数 2
回答已采纳
1回答
对于与分类和回归问题相关的术语，我面临一些困惑。使用MLP和Perceptron模型。这些建议如下：
1)当数据线性不可分时，我们使用MLP。在这里，什么是b“数据”--是响应还是输入特性是线性不可分割的？
2)如果它是线性不可分的，那么它是否意味着从输入到输出的映射函数总是非线性的？因此，我们更喜欢MLP或最新的新模式，如深度学习？
3)线性回归在线性不可分离数据中失效，或者线性回归对不可分离数据有效，但如果函数映射是非线性的，则线性回归失败？
浏览 0提问于2019-10-08得票数 2
回答已采纳
1回答
我想学习如何在R中进行非线性回归。我设法学习了nls函数的基础知识，但我们如何知道在非线性回归中使用好的初始参数是至关重要的。我试图弄清楚selfStart和getInitial函数是如何工作的，但失败了。文档非常稀缺，用处不是很大。我想通过一个简单的模拟数据来学习这些功能。我模拟了逻辑模型中的数据： n<-100 #Number of observations
d<-10000 #our parameters
b<--2
e<-50
set.seed(n)
X<-rnorm(n, -e/b, 2) #Thanks to it we'll hav
浏览 47提问于2020-04-02得票数 0
我正在开发一个库存管理系统，在这个系统中，我有关于某一特定项目的每日/每月/年度消费记录，这可能会或不可能遵循重复的趋势。为了在即将到来的时间框架内预测需求，建议采用哪种模型/分布？
数据格式:数据是一系列(x, y)对，其中x是时间戳，y是消费计数。
据我所研究，随机森林或基于树的模型不能有效地处理趋势模式，而线性模型似乎也不合适，因为数据似乎并不遵循线性模式。
使用单一模型可以解决这个问题吗？应该使用线性回归模型来解决这个问题吗？
浏览 0提问于2018-11-13得票数 1
回答已采纳
1回答
数据集的机器学习分析
、、、、
我有一个数据集，其中包括房屋，不同的特点，和它的价格。我试图对这个数据集做一个高级分析，我已经使用不同的回归技术，如岭回归、拉索回归和弹性网络回归，做了房价预测分析。
此外，我想做机器学习分析与数据集。对于上述数据集，我能做什么样的预测？有人有什么想法请告诉我吗？？
浏览 0提问于2020-01-24得票数 -1
我最近开始学习回归的基础知识，作为初学者，我开始学习线性回归。
我读到这篇文章说，对于这种特殊类型的回归，自变量和因变量之间的关系必须是线性的，这意味着我只能用线性回归来预测“线”：https://www.analyticsvidhya.com/blog/2015/08/comprehensive-guide-regression/。
但是，我开始想知道如何建模像"y= log(x)“或”y= sqrt(x)“或"y=exp(x)”或"y=tan(x)“之类的函数，或者其他定义为”线“而是”曲线“的非线性函数。
然后我继续研究，直到我发现这篇文章说，应该是线性的不是自变
浏览 0提问于2019-03-15得票数 2
回答已采纳
1回答
我是ML的新手，我有一个数据集：
其中：
X = {X_1, X_2, X_3, X_4, X_5, X_6, X_7};
Y = Y;
我试图找出X和Y (如Y = M(X) )之间的可能关系，使用深度学习。据我所知，这是一个回归任务，因为目标Y的数据类型是真实的。
我尝试过一些回归算法，如LMS和逐步回归，但这些都没有给我一个有希望的结果。所以我要转化成深层神经网络的解决方案，所以：
ANN能完成这个回归任务吗？
如何设计网络，特别是层的类型、激活功能等？
我可以参考现有的NN体系结构吗？
任何帮助都很感谢.
浏览 1提问于2016-09-01得票数 0
回答已采纳
2回答
如何用MATLAB在x上做一个多值相等的线性回归？
现在，一个包含最少数据(不是我使用的数据)的示例：
y = [1,2,3,4,5,6,7,8,9,10];
x = [2,2,2,4,4,6,6,6,10,10];
如果我使用polyfit或\
x = temp(:,1); y = temp(:,2);
b1 = x\y;
yCalc1 = b1*x;
plot(x,yCalc1,'-r');
那么线性回归是错误的，因为(我想)他没有注意到有几个值是相同的(x)。
这是我真实数据的图表。蓝点:我的数据。红线:线性回归(这是错误的)。不要关注绿色的虚线：
在这里，“相
浏览 2提问于2016-01-29得票数 0
正如标题中所说的，平稳性和低自相关性是一般/线性回归模型的前提吗？也就是说，如果一个时间序列是非平稳的或者具有很大的自相关性，那么用线性模型和深度学习等回归模型来预测会更容易还是更难呢？
浏览 0提问于2019-12-11得票数 4
回答已采纳
我有三个输入：x=(A, B, C)；和一个输出y。A+B+C=1和0<=A<=1，0<=B<=1，0<=C<=1应该是这样的。我想找到使y最大化的y。我的方法是在scikit中使用回归例程--学习在输入x上训练模型x并输出y，然后在f上使用numpy.argmax查找x_best。如何确保x_best=(A,B,C)之和为1并且都在单位间隔内？有什么特殊的编码我可以用吗？
浏览 4提问于2015-06-09得票数 0
回答已采纳
1回答
我的任务是为一个预测问题(输入参数有数字和分类变量的组合)建立一个多元线性回归模型。 如果我使用人工神经网络(ANN)来构建一个进行预测的模型，这是多元线性回归模型还是深度学习模型？如果我可以使用ann来构建多元线性回归模型，我会感到困惑。
浏览 47提问于2019-01-24得票数 0
回答已采纳
目的:求回归线(多变量超平面)的系数。最能模拟数据的方法。我们把这个叫做w
在以下方面有何区别：
1)使用MAP估计：w=(XX^T+\lambda I )^{-1}Xy^T，其中X是输入的训练数据，y是训练的输出。
和
2)使用神经网络进行回归(我不知道这是如何实现的)
(以及用于线性回归的任何其他方法)
浏览 0提问于2018-11-09得票数 2
1回答
因此，我很难概念化如何对一个简单的逻辑回归问题的解进行数学表示。我从概念上理解正在发生的事情，并已经实现了它，但我正在回答一个要求最终解决方案的问题。 假设我有一个简单的两列数据集，表示每年获得晋升的可能性，因此可能性将增加此人积累的经验。其中X表示年份，Y表示用于接收促销的二进制指示符： X | Y
1 0
2 1
3 0
4 1
5 1
6 1 我实现逻辑回归来找出每年获得晋升的概率，并得到一组看起来正确的输出概率。我得到了一个输出权重向量，这是两个项目，这是有意义的，因为只有两个输入。年数X，当我修复截距以处理偏差时，它会添加一列1。所以一个权重是几年，一个是
浏览 25提问于2020-10-19得票数 0
3回答
我需要更多地了解特性数量与线性模型回归之间的关系，基于Andreas C. Müller和Sarah Guido所著的“机器学习与Python入门”一书第47页的这一段：
对于具有许多特征的数据集，线性模型可能非常强大。特别是，如果你有比训练数据点更多的特征，那么任何目标y都可以完美地建模(在训练集上)为一个线性函数。
它是如何用线性代数来解释的？
谢谢
浏览 0提问于2018-08-04得票数 0
回答已采纳
我创建了一个正常的二元数据集，它具有强大的线性关联，如下所示：
#### Load Library ####
library(tidyverse)
#### Create Data ####
x <- rnorm(n=1000, mean=120, sd=15)
y <- 4*x + 5 + rnorm(n=1000, mean = 0, sd = 5)
df <- data.frame(x,y)
#### Plot ####
ggplot(df,
aes(x,y))+
geom_point()+
geom_smooth(method = "
浏览 2提问于2022-07-25得票数 0
回答已采纳
1回答
具有numpy的线性回归模型的代码：
from statistics import mean
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import random
from sklearn.linear_model import LinearRegression
def create_dataset(hm, variance, step=2, correlation=False):
val = 1
ys = []
for i in range(hm):
浏览 0提问于2020-08-13得票数 0
我正在做一个线性回归任务，我只知道简单线性回归的概念，我们给出一个'x‘值，它预测'y’值。
我使用特定的算法生成了100到100000之间的半随机数，并将结果保存在CSV列中。
现在我想用这个列训练一个线性回归器，它学习这些数字之间的序列，然后根据我给它的最后一个数来预测一个数字。
或我可以使用LSTM将此问题作为序列生成问题来处理。LSTM是一种很好的方法吗?在此方法中，我将输入这个一维数据集，并在此基础上生成更多的数字？
我只有一个列，它是x列，没有y列。我搜索了“如何在一维数据上使用线性回归”，但一无所获。
有没有办法对一维数据进行线性回归来预测一个数字？在这个任务中，
浏览 3提问于2020-04-21得票数 0
2回答
因此，对于我正在制作的应用程序，我使用的是tf.keras.models.Sequential。我知道机器学习有线性和多元线性回归模型。在序列的中，该模型是一层线性叠加。这等于多元线性回归吗？我能找到的线性层叠层的唯一解释是关于堆栈溢出的问题。
def trainModel(bow,unitlabels,units):
x_train = np.array(bow)
print("X_train: ", x_train)
y_train = np.array(unitlabels)
print("Y_train: ", y_tra
浏览 2提问于2019-05-06得票数 1
回答已采纳
1回答
目前，我正在学习logistic回归和LDA (线性判别分析)分类。我正在尝试以不同的方式生成数据，以学习逻辑回归和LDA行为。
这是2维预测值的数据可视化，类被绘制为颜色：
下面是我的代码：
library(ggplot2)
library(MASS)
set.seed(1)
a <- mvrnorm(n = 1000, mu = c(0,0), Sigma = matrix(c(0.4,0,0,0.4), nrow = 2, ncol = 2))
b <- mvrnorm(n = 1000, mu = c(0,0), Sigma = matrix(c(10,0,0,10)
浏览 0提问于2018-10-07得票数 1
1回答
我们可以使用sklearn的make_regression()函数生成多目标回归数据集。这里，目标的数量是`2 X, y = make_regression(n_samples=5000, n_features=10, n_informative=7, n_targets=2, random_state=1, noise=5) 现在，我想创建一个多目标数据集，其中target变量的范围(或模式)将不同。因此，不同的ML模型可以很好地对不同的目标进行拟合和预测。 假设我在一个数据集中有两个目标。通过Linear、Lasso或Ridge可以很好地拟合和预测目标1，而通过RF、SVR或Knn可以很
浏览 34提问于2021-11-03得票数 0
3回答
多项式回归的基本理解问题
、、、
我对简单的线性回归有一个理解。弄清楚
📷
结果如下所示：
📷
然而，研究多项式回归是一个有一些问题的过程的挑战。我理解这样的想法:拟合曲线“线”可以更精确地跟踪数据。但是，在scikit中看到下面的Python代码--学习：
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
x = 2 - 3 * np.random.normal(0, 1, 20)
y = x - 2 * (x ** 2) + 0.5 * (x ** 3) + np.r
浏览 0提问于2020-05-09得票数 5
1回答
库存数据的缩放
、、
我正在尝试将机器学习应用于股票预测，并且遇到了关于未来看不见的(更高的)股票收盘价的缩放问题。
假设我用随机的forrest回归来预测股票价格。我把数据分解成火车组和测试组。对于火车组，我使用标准标量，然后进行拟合和变换，然后使用回归器来拟合测试集，我使用标准标量，然后进行转换，然后使用回归器进行预测，并与测试标签进行比较。
如果我在图表上绘制预测并测试标签，预测似乎会达到最大值或上限。问题是标准定标器适合于火车组，测试集(在时间线的后面)有更高的值，算法不知道如何处理这些极端数据。
def test(X, y):
# split the data
X_train, X_tes
浏览 0提问于2019-07-01得票数 1
回答已采纳
进入机器学习，在统计学方面有一个合理的背景，了解线性代数(矩阵乘法等)的基本原理--但我很难弄清楚为什么减少多项式回归是有效的。
例如，假设我们有这样的函数：
y = \beta_0 + \beta_1$x_1 + \beta_2$x_2$^2
根据我在4段视频和6篇文章中所看到的，我们可以使用以下替换：
x_2 =1
x_3 = x
x_4 = x^2
创建以下模型：y = \beta_0 + \beta_1$x_1 + (\beta_2$x_2 + \beta_3$x_3 + \beta_4$x_4)
然后，好的-我们可以解决它作为一个正常的多元线性回归，一切都是好的。
但是，为什么，为什
浏览 0提问于2020-01-26得票数 2
3回答
我想知道为什么深度学习模式如此不稳定。假设我使用相同的数据集多次训练机器学习模型(例如logistic回归)，并多次训练深度学习模型(例如LSTM)。在此之后，我计算了每个模型的平均值及其标准差。深度学习模型的标准差比机器学习模型的标准差大得多。为什么会这样？
这与深度学习方法中的权值初始化有关吗？如果是这样的话，为什么模型不总是收敛在同一点上呢？
浏览 0提问于2021-11-09得票数 4
1回答
我正在学习使用Python进行机器学习，并且有一个关于回归的问题。我做了一些简单的回归(线性或多项式)，但我的问题是关于多元回归。我只使用x (输入数组)，y是输出。
如果我有一些关于森林火灾的数据()
X,Y,month,day,FFMC,DMC,DC,ISI,temp,RH,wind,rain,area
7,5,mar,fri,86.2,26.2,94.3,5.1,8.2,51,6.7,0,2
7,4,oct,tue,90.6,35.4,669.1,6.7,18,33,0.9,0,12
在本例中，我的输入不是一个简单的数组，而是一个矩阵，我的输出是烧焦的区域。
因此，对于我之前的数据，输入
浏览 0提问于2016-01-22得票数 1
1回答
我试图用安德鲁·吴( Andrew )使用Octave的机器学习来编写我自己的逻辑回归算法。讲课。所以我做的是创建一个csv文件，第一行是一些参数，第二个是结果：
121,1
124,0
97,0
104,0
110,0
...
总的来说，只有24个例子，但是我选择了一些点，比如一些模式可以遵循。
这是我的代码：
data = load('data.dat');
x = data(:, 1);
y = data(:, 2)
m = length(y);
#plot(x, y, 'rx', 'MarkerSize', 10);
#xlabel(
浏览 0提问于2018-01-31得票数 2
回答已采纳
3回答
对于所有线性分类器和线性回归算法，预测算法都是完全相同的吗？
众所周知，任何线性分类器都可以描述为：y = w1*x1 + w2*x2 + ... + c
📷
确定线性分类器参数的方法有两大类(生成和鉴别)：https://en.wikipedia.org/wiki/Linear_分类器。
线性判别分析(或Fisher线性判别)，朴素贝叶斯分类器
Logistic回归、感知器、支持向量机
问:线性分类器只在学习算法中有所不同，但它们在预测y = w1*x1 + w2*x2 + ... + c时也是这样吗？
如果我使用一种训练方法(例如带有线性核函数的支持向量机)，那么我是否可以使用其他方法进行
浏览 0提问于2019-01-31得票数 5
回答已采纳
1回答
估计坐标校正
、、
我正在处理三维坐标数据(x，y，z)，但是我知道z坐标是系统错误的，z的误差依赖于x和y。然而，我确实有一些数据，我知道正确的z值，所以我想要建立一个模型，给x坐标给出正确的z值，但是我不知道最好的方法是什么。
我试过使用支持向量回归器(支持向量回归)，但结果非常糟糕，我还测试了k-最近邻回归器，它对我所拥有的数据点非常有效，但是在没有数据的3d空间中有一些漏洞，而且我相当肯定k-最近邻回归器不会给出正确的结果。我觉得应该有一个简单的多项式公式来解决这个问题，这就是我为什么选择支持向量机的原因，但是还有其他简单的方法可以用来做这个修正吗？我觉得这个问题应该用一个简单的多项式来解决，比如：z_{
浏览 0提问于2023-02-20得票数 0
回答已采纳
我知道，常用的线性回归模型，如Lasso或Logistic回归，在实践中得到了广泛的应用，因为它们表现得相当好，而且是有效的，而且可解释。
据我所知，这些模型学习$X$和$y$之间非线性关系的唯一方法是通过基函数$\phi(X)$ (在科学知识-学习文档中总结)将非线性变换应用于$X$。
我想知道这种方法是否真的用于实际的问题，在那里我们通常没有关于如何设计$\phi$的任何先前的信息。
浏览 0提问于2018-01-22得票数 0
回答已采纳
3回答
Python中的渐变体面
、、、
我刚刚完成了我的第一个机器学习算法，即线性回归。我想通过优化模型来减少rmse。我发现梯度体面做同样的工作。但我不知道怎么用蟒蛇来做。我参考了youtube上的一些视频，但每一段视频都解释了y=MX+c。但是我的模型中有大约50个变量。
有图书馆吗。请帮帮我。
浏览 0提问于2019-10-10得票数 1
回答已采纳
回归的问题是最小化平方误差之和，即\sum\limits_{i=1}^n (y_i - \hat{y}_i)^2 = 0。但是，只有在线性回归中，才能使用表达式\hat{y}_i = \beta_0 + \beta_1.x_i，然后将平方误差之和降到最小。\beta_0和\beta_1可以获得以下约束：
\begin{align*} \sum\limits_{i=1}^n x_i(y_i - \hat{y}_i) &= 0 \\ \sum\limits_{i=1}^n \hat{y}_i(y_i - \hat{y}_i) &= 0 \end{align*}
然后利用这些约束条
浏览 0提问于2021-05-21得票数 2
回答已采纳
3回答
大数据回归
、、、
我有两个变量的数据(y，x)：每周7年数据(364周)，用于80,000组。我需要按组对数据进行降级，并对y进行回归(x加上需要创建的8个虚拟变量)。有364*80,000*10，或约3,000万个数据点。我在服务器上“借”了一个帐户，发现回归至少需要144 of的内存。我通常无法访问这台服务器，我的计算机只有24 of的内存。
而不是inv(X'X)X'Y，我想把回归分解成8部分。回归1使用前10,000个组的数据。这使得X1'X1和X1'y1回归2使用了10,001到20,000组的数据，并给出了X2'X2，X2'y2等等，其中X_j =x_
浏览 5提问于2015-02-21得票数 4
首先，在这个论坛上有一些问题和这个非常相似，但相信我，没有一个匹配的，所以请不要重复。
我遇到过使用scikit的sklearn的两种线性回归方法，我不能理解这两种方法之间的区别，特别是在第一个代码中有一个调用train_test_split()的方法，而在另一个代码中调用的是直接拟合方法。
我正在用多种资源学习，这个单一的问题让我非常困惑。
首先是使用SVR的
X = np.array(df.drop(['label'], 1))
X = preprocessing.scale(X)
y = np.array(df['label'])
X_train,
浏览 9提问于2017-10-27得票数 13
回答已采纳
3回答
递归算法的复杂性
、、
我有一个算法，我想知道它的复杂性，但是有递归，我不知道如何用递归计数。我的代码是：
public boolean algorithm(int x, int y) {
if (x == matrixHeight - 1 && matrix1[x][y] == '0') {
return true;
} else if (x == 1 && matrix1[x-1][y] == '0') {
return true;
} else if (y == matrixWidth - 1
浏览 7提问于2011-04-21得票数 1
回答已采纳
1回答
使用Python创建非线性回归
、、、、
我有一个简单的数据；
x = numpy.array([1,2,3,
4,5,6,
7,8,9,
10,11,12,
13,14,15,
16,17,18,
19,20,21,
22,23,24])
y = numpy.array([2149,2731,3397,
3088,2928,2108,
浏览 4提问于2013-12-07得票数 2
我学过统计学数学，现在正在选修机器学习课程。老师提到的第一个例子是如何利用机器学习找到一个线性趋势线。为什么会有人这么做？在我的统计课程中，根据我的理解，我们用远低于机器学习方法的计算机功率计算数据集上的线性趋势线。使用机器学习的线性回归仅仅是学习机器学习基础的一个很好的例子，还是有什么真实的理由可以解释为什么有人会使用机器学习来找到这样一个简单的趋势线？
浏览 0提问于2020-11-09得票数 2
我正在尝试学习如何在python3.7中执行一些操作，这些操作在Stata中通常很容易执行。
我正在做这样的数据处理：
estimation_window group_id y x
0 1 3.17 23
1 1 4.76 26
1 2 4.17 73
1
浏览 2提问于2020-06-03得票数 0
回答已采纳
3回答
虽然最初并不是这样设想的，但标准的Adaboost算法相当于使用指数损失函数进行正演阶段加性模型估计。也就是说，给出一些弱分类器c1，.，cM，和样本点x1，.，xN算法中的权重：
设置F_0(x) =0
对于m=1 to M: Set (w_m，f_m )= arg min超过(y_i，F_m-1(x_i) +w* c_i(x_i)) (y_i，F_m-1(X_i)+w*c_i(X_i))
集F_m(x) = F_m-1(x) + w_m * f_m(x)
强分类器是输出F_M(x)。使这个强大的学习者与Adaboost输出相同的损失函数是
L(y,f(x)) = exp
浏览 2提问于2013-12-11得票数 5
回答已采纳
8回答
我对机器学习和神经网络很陌生。我知道如何建立一个非线性分类模型，但我目前的问题有一个连续的输出。我一直在寻找关于神经网络回归的信息，但我所遇到的只是关于线性回归的信息--没有关于非线性情况的信息。这很奇怪，因为为什么会有人用神经网络来解决简单的线性回归呢？这不就像用核弹杀死苍蝇吗？
所以我的问题是:是什么使神经网络非线性？(隐藏层？非线性激活函数？)或者我对“线性”这个词有一个完全错误的理解--线性回归神经网络能够准确地建模出比y=aX+b更复杂的数据集吗？“线性”一词是否与“逻辑”相反？
(我计划使用TensorFlow，但TensorFlow线性模型教程以二进制分类问题为例，因此这对我也没
浏览 12提问于2016-12-20得票数 37
回答已采纳
3回答
我试过用SKLearn进行线性回归。我有一些数据是这样的:卡路里摄入量。
150 - 150
300 - 190
350 - 200
基本上是由数字组成，但我已经将数据集拟合成线性回归模型。
我困惑的是，我如何用新的数据来预测，比如说我吃了10个新的卡路里，我想要它来预测体重？
regressor = LinearRegression()
regressor.fit(x_train, y_train)
y_pred = regressor.predict(x_test) ??
但是，我该如何使仅仅是我的10个新数据--摄入的卡路里数--并使它成为我希望回归者预测的测试集？
浏览 0提问于2018-05-04得票数 4
例如，我试图对以下数据进行线性回归
数据示例：
X = [[1, 20], [3, 40], [5, 60]]
(每一行都是一个示例，有三个示例，每个示例都具有2的特性，排列在Numpy数组中)
目标：
y = [1, 2, 3]
(不管你喜欢什么，它都不会影响我们的结果。
把标准定位器给我，
X = [[1, 20], [3, 40], [5, 60]]
scaler = StandardScaler()
scaler.fit(X)
Y = scaler.transform(X)
Y = [[-1.22474487 -1.22474487] [ 0. 0.
浏览 0提问于2021-06-03得票数 1
3回答
科学学习中的每一个分类器都有一种方法predict_proba(x)来预测x的类概率。如何为回归者做同样的事情？
我知道如何估计预测方差的唯一回归者是高斯过程回归，我可以这样做：
y_pred, sigma = gp.predict(x, return_std=True)
在一维中，我甚至可以画出高斯过程回归器对不同数据点的预测有多自信。
📷
如何估计其他回归者的预测方差？例如，对于核脊回归器，多层感知器，集成回归器？
浏览 0提问于2018-05-17得票数 9
回答已采纳
1回答
我正在使用sklearn的支持向量回归模型处理回归问题，并使用MinMax缩放特征，但通过使用它，我得到了不同的回归结果，这有意义吗？
import pandas as pd
import numpy as np
from sklearn import svm
from sklearn.preprocessing import MinMaxScaler
np.random.seed(0)
X_training = np.random.rand(100,15)*10
Y_training = np.random.rand(100,1)*10
model = svm.SVR()
不需要扩展：
浏览 2提问于2017-02-09得票数 0
1回答
二次线性回归
、、、
我最近一直在研究机器学习，现在我开始使用scikit和线性回归技术。
这是我的第一个样本
from sklearn import linear_model
import numpy as np
X = [[1],[2],[3],[4],[5],[6],[7],[8],[9],[10]]
y = [2,4,6,8,10,12,14,16,18,20]
clf = linear_model.LinearRegression()
clf.fit (X, y)
print(clf.predict([11]))
==> 22
输出结果与预期的一样，22 (显然，scikit提出了2x作为假设
浏览 2提问于2015-11-14得票数 6
回答已采纳
我有一个数据集，其中：
X1 -范畴自变量
X2 -连续自变量
Y-连续因变量
我希望用X1和X2来预测y。线性回归对此合适吗？(对一个分类自变量进行回归有意义吗？)如果是这样的话，当X1是一个分类自变量(例如眼睛颜色)时，我如何使用线性回归？
我是否应该为X1中的每个类别创建一个单独的线性回归模型？还是尝试创建一个多元线性回归模型？
在线上主要有关于连续独立->连续相关(线性回归)或连续独立->分类依赖(logistic回归)的资源。
如果你能告诉我任何可以帮助我的资源/工具，我将不胜感激。
浏览 2提问于2018-10-16得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
云直播活动推荐
腾讯云开发者
