• 教程
  • 问答
  • 博客
  • Python源码
  • Java源码
  • 文档
  • 开源
  • 教程
  • 问答
  • 博客
  • Python源码
  • Java源码
  • 文档
  • 开源
  • 登录
  • 注册
  1. 首页
  2. 教程
  3. 1.15. 等式回归
1. 监督学习 1.1. 广义线性模型 1.2. 线性和二次判别分析 1.3. 内核岭回归 1.4. 支持向量机 1.5. 随机梯度下降 1.6. 最近邻 1.7. 高斯过程 1.8. 交叉分解 1.9. 朴素贝叶斯 1.10. 决策树 1.11. 集成方法 1.12. 多类和多标签算法 1.13. 特征选择 1.14. 半监督学习 1.15. 等式回归 1.16. 概率校准 1.17. 神经网络模型(有监督) 2. 无监督学习 2.1. 高斯混合模型 2.2. 流形学习 2.3. 聚类 2.4. 双聚类 2.5. 分解成分中的信号(矩阵分解问题) 2.6. 协方差估计 2.7. 新奇点和离群点检测 2.8. 密度估计 2.9. 神经网络模型(无监督) 3. 模型选择和评估 3.1. 交叉验证:评估估算器的表现 3.2. 调整估计器的超参数 3.3. 模型评估: 量化预测的质量 3.4. 模型持久化 3.5. 验证曲线: 绘制分数以评估模型 4. 检验 4.1. 部分依赖图 5. 数据集转换 5.2. 特征提取 5.3 预处理数据 5.4 缺失值插补 5.5. 无监督降维 5.6. 随机投影 5.7. 内核近似 5.8. 成对的矩阵, 类别和核函数 5.9. 预测目标 (`y`) 的转换 6. 数据集加载工具 7. 使用scikit-learn计算 scikit-learn 教程 0.21.x 使用 scikit-learn 介绍机器学习 关于科学数据处理的统计学习教程 机器学习: scikit-learn 中的设置以及预估对象 监督学习:从高维观察预测输出变量 模型选择:选择估计量及其参数 无监督学习: 寻求数据表示 把它们放在一起 处理文本数据 选择正确的评估器(estimator) 安装 scikit-learn

1.15. 等式回归


  • 1.14. 半监督学习
  • 1.16. 概率校准

1.15. 等式回归

IsotonicRegression 类对数据进行非降函数拟合. 它解决了如下的问题:

  • 最小化 \sum_i w_i (y_i - \hat{y}_i)^2

  • 服从于 \hat{y}_{min} = \hat{y}_1 \le \hat{y}_2 ... \le \hat{y}_n = \hat{y}_{max}

其中每一个 w_i 是 strictly 正数而且每个 y_i 是任意实 数. 它生成一个由平方误差接近的不减元素组成的向量.实际上这一些元素形成 一个分段线性的函数.

http://sklearn.apachecn.org/cn/0.19.0/_images/sphx_glr_plot_isotonic_regression_0011.png

  • 1.14. 半监督学习
  • 1.16. 概率校准
Powered by CodingDict ©2014-2020 编程字典 课程存档 多课网
课程内容版权均归 CodingDict 所有 京ICP备18030172号