去年的一段时间，工作非常忙碌，项目的需求一个接着一个，简直让人头皮发麻啊。当然，每次新需求出来上头总需要给一个合理的排期，以便按时按质完成。今年相对去年来说没那么忙碌，于是抽空写了这篇博客，也算是一个小小的总结吧。下面来说一下本人是如何进行新需求开发时间的评估，也算是自己对以前知识的回顾和学以致用的思想。假设我们软件开发的工时和需求的用例、实体数量、涉及的数据表数量相关，以历史数据为训练样本：需求
机器学习包含监督学习、非监督学习、以及强化学习三大部分。监督学习又分为分类和回归两大类。线性回归模型就属于监督学习里的回归模型。线性回归是通过属性的线性组合进行预测的函数，即f(x)=w1.x1+w2.x2+w3.x3+...+wn.xn+bf(x) = w1.x1+w2.x2+w3.x3+...+wn.xn+b向量形式为：f(x)=wT∗x+bf(x)=wT∗x+b其中 w=(w1,w2,w3,
上次介绍了线性回归的基本知识，这次主要介绍sklearn的线性回归例子，以及其他各种回归分析方法~~
前情提要：通俗得说线性回归算法（一）线性回归初步介绍一.sklearn线性回归详解1.1 线性回归参数介绍完线性回归，那么我们来看看如何运用sklearn来调用线性回归模型，进行训练和预测。def LinearRegression(fit_interce
前言tensorflow 是Google的开源的深度学习框架，本次分享下利用该框架计算出一个线性回归参数的预测实践，以及训练后如何将模型转化为web端可以使用的模型。 TensorFlow的官方地址：https://www.tensorflow.org/ ； js版本的官方地址: https://js.tensorflow.org/ ； 转化为web端可以使用的工具地址：https://gi
一、数据集本次实战用到的是高炉煤气循环发电（CombinedCyclePowerPlant，CCPP）数据集，该数据集来自于UCI主页（http://archive.ics.uci.edu/ml/datasets.html）。 自变量AT，表示高炉的温度V，表示炉内的压力；AP，表示高炉的相对湿度RH，表示高炉的排气量因变量连续性，PE，表示高炉的发电量二、加载数据集1、读取数据并展示数
线性回归是一种基础且广泛使用的统计方法，用于分析两个或多个变量之间的关系，并构建预测模型。它的核心思想是通过找到一条最佳拟合直线，来描述自变量和因变量之间的关系。线性回归在各个领域有着广泛的应用，包括经济学、工程学、社会科学等。线性回归的背景和简介背景线性回归的历史可以追溯到19世纪，由著名统计学家弗朗西斯·高尔顿和卡尔·皮尔逊发展和推广。它是最简单、最基本的回归分析方法，用于探索和量化两个或多个
房价预测在学习线性回归时，房价预测几乎是线性回归通常举例的第一个任务。这个案例麻雀虽小五脏俱全。直观的说明了在线性回归过程模型里所需要的概念。比如训练集、测试集、损失函数、优化函数、过拟合与欠拟合、批量计算等（只想起这些，之所以说等，是以防万一我忘了啥不被打脸）。 首先来看下面这张图，本例呢使用了两个维度来对房价进行预测，分别是房屋面积、房屋年龄。、和就是最终要求的参数。提个小问题，上面的式子是几
Linear Regression（线性回归）回归的核心思想—连续函数下进行预测线性模型的形式：（是权重向量）线性模型中的“线性”其实就是一系列一次特征的线性组合，在二维空间中是一条直线，在三维空间中是一个平面，推广到 n 维空间…应用：股票市场预测、自动驾驶技术、商品推荐系统…比如，预测住房价格： 它的工作方式是这样的 因而，要解决房价预测问题，我们实际上 是要将训练集“喂”给我们的学习算法，进
转载
2023-11-29 17:16:31
0阅读
前言 本文重在以清晰明了的方式展示利用多元线性回归模型实现预测功能的基本流程。其中包含的知识点如下
变量探索数据读入异常值处理类别变量数值分布情况变量关系探索方差分析style 和 neighborhood 与房价 price 是否有关联可以使用方差分析 插播一条样本量和置信水平 α_level 的注意点(置信水平 α 的选择经验)
样本量α-level≤ 10010
数学建模：线性回归模型1.多重线性回归模型1.1 引入线性回归分类简单线性回归（一个自变量）多重线性回归（多个自变量）线性回归的前提条件：线性（散点图，散点图矩阵）独立性正态性（回归分析过程中可以确定）方差齐性（回归分析过程中可以确定）：建模中存在的误差两个变量：X和Y例1：人体的身高和体重X：人体的身高Y：人体的体重身高X大时，体重Y也会倾向于增大，但是X不能严格地决定Y1.2相关关系相关关系：
转载
2023-11-27 13:51:28
76阅读
线性回归基本含义：在统计学中，线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归,大于一个自变量情况的叫做多元回归。matlab中代码实现： （1）b=regress( Y, X ) 确定回归系数的点估
转载
2023-12-11 12:31:37
83阅读
前面学习了线性回归的原理，那今天来看kaggle上的一个具体案例（房价预测）。一、提取数据我已经将数据下载到了本地，大家可以按照我之前的这篇文章来进行数据的下载~1、提取数据import numpy as np
import pandas as pd
from pandas import DataFrame as df
import seaborn as sns
path = r'C:\User
多元线性回归之预测房价一、多元线性回归1. 理论基础二、案例分析三、数据预处理1. 错误数据清洗2. 非数值型数据转化四、使用Excel1. 实现2. 分析五、代码方式实现多元线性回归1. 数据预处理2. 建立线性回归模型3. Sklearn库建立多元线性回归模型六、总结七、参考 一、多元线性回归在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的
转载
2023-12-06 14:29:57
255阅读
线性回归案例一、初始化方法1.对数据进行预处理模块，调用prepare_for_training方法，得到返回值data_processed, features_mean, features_deviation 2.得到所有的特征个数，即data的特征维数的列(行shape[0]，列shape[1]) 3.初始化参数矩阵# data:数据 labels:有监督的标签 polynomial_degr
线性代数基本知识编程演示准备数据波士顿房价预测数据集下载建立模型多元线性回归模型 Y = x 1 x w 1 + x 2 x w 2 + … + x 12 x w 12 + b训练模型进行预测%matplotlib notebook
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import
线性回归 线性回归，对于初学者而言（比方说我）比较难理解，其实换个叫法可能就能立马知道线性回归是做什么的了：线性拟合。所谓拟合如下图所示：线性拟合，顾名思义拟合出来的预测函数是一条直线，数学表达如下：h(x)=a0+a1x1+a2x2+..+anxn+J(θ)h(x)=a0+a1x1+a2x2+..+anxn+J(θ)其中 h(x)为预测函数， ai(i=1,2,..
前几天完成了机器学习的第一个基础实战案例，Boston房价预测，今天来分享一下我在学习过程中的心得体会！ Boston房价预测是机器学习过程中一个关于线性回归的问题，属于监督学习。本文通过对Boston房价进行分析，进行机器学习模型训练。本文所使用的的数据集下载：Boston_housing_predict。 下面给出数据集中各列名称的定义：CRIM: 城镇人均犯罪率ZN: 住宅用地所占比
一、算法简介1.1 什么是回归分析回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。通常使用曲线/线来拟合数据点，目标是使曲线到数据点的距离差异最小。1.2 线性回归线性回归是回归问题中的一种，线性回归假设目标值与特征之间线性相关，即满足一个多元一次方程。通过构建损失函数，来求解损失函数最小时的参
线性回归学习一、线性回归模型的简单应用from sklearn import linear_model # 导入线型模型模块
regression = linear_model.LinearRegression()# 创建线型回归模型
X = [[3], [8]] # 观察值的x坐标
y = [1, 2]
3.1 线性回归回归（regression）是能为一个或多个自变量与因变量之间关系建模的一类方法。 在自然科学和社会科学领域，回归经常用来表示输入和输出之间的关系。 在机器学习领域中的大多数任务通常都与预测（prediction）有关。 当我们想预测一个数值时，就会涉及到回归问题。 常见的例子包括：预测价格（房屋、股票等）、预测住院时间（针对住院病人等）、 预测需求（零售销量等）。 但不是所有的预
