janestan-CSDN博客

原创回归分析中的相关度（Corr）和R^2

5.R^2也具有一定的局限性，R^2会随着自变量的增大增大，R^2和样本量具有一定的关系。因此，为了改进R^2的局限性，我们要对R^2进行修正。2.描述：如R^2=0.8，则表示回归关系可以解释为因变量80%的变异。即，如果可以控制自变量保持不变，则因变量的变异程度会减少80%1.定义：决定系数，反应因变量的全部变异能通过回归关系被自变量解释的比例。2.对应的取值范围为[-1,1],即存在正相关，负相关和不相关。3.简单线性回归的计算方式：R^2=r*r。3.应用实例代码即结果。其中P为预测值的数量。

2022-11-14 11:37:09 9736

原创基于Python的非线性回归(Logistic Regression)模型分析与应用

要使用梯度下降法找到一个函数的局部极小值，必须向函数上当前点对应梯度（或者是近似梯度）的反方向的规定步长距离点进行迭代搜索。1.由于现实中的具体事例的发生较为复杂，并不能应用线性的模型进行分析，如果要使用的话，就会再每次调整参数得时候同时要调整阈值的范围，那模型的普适性就会变差。即从某一点开始，选择对应的步长和方向进行，不断的下降，直到到达最终的最小值（可能是局部最小也可能是全局最小）为止。如上图所示为Sigmoid函数的图像，函数的值域范围为（0，1），且在自变量z取到0时，因变量g(Z)的值为1/2。

2022-11-13 14:04:31 1988

原创基于Python的多元线性回归分析

是误差值，与简单线性回归分析中的要求特点相一致。其余的系数和截距为参数。一、多元线性回归分析（Multiple regression）1.与简单线性回归相比较，具有多个自变量x。4.估计多元回归方程(点估计)二、自变量里没有类别数据的实例。三、自变量中含有类别型的数据。从而得到一个唯一的超平面。

2022-11-02 17:59:31 6906

原创 python编程问题之ValueError: Expected 2D array, got 1D array instead：array=[102,5]

然后，对之前的数据类型进行转换，利用 numpy包中的np.array以及reshape方法进行数据的更新覆盖，使输入的一维数据转换为二维矩阵，符合方法调用时的数据类型即可。一、由于python 中sklearn包的更新，不能直接将输入后的一维数据直接转换成二维数组，因此会出现关于上述所显示的问题，此时只需要将源代码中报错部分进行一些改进即可。当我们建立了相应的模型后，要对已经建立好的模型进行测试新的数据的时候，会由于数据的维度不一致导致代码在运行的时候回报错。1.1当只有一个数据组的时候。

2022-11-02 17:27:55 1288

原创 Python解决简单的一元线性回归问题

被用来进行预测的变量：自变量（independent variable）,也叫输入量（input）。若n为偶数，则中位数取中间两位数的平均值。被预测的变量：因变量（dependent variable）,也叫输出量（output）,是回归线性方程的系数，E(y)是在一个给定的x值下y的期望值（均值）。简单的线性回过通常呈现的是由两个或多个变量组成的他们之间的关系，1.2中位数（median）：一组数据中的中间位置的数据值。1.1均值（mean）：一组已知的数据中的平均值。的方差对所有的自变量x都是一样的；

2022-10-31 15:27:26 889

原创 Python实现手写数字的识别

输入层(input layer)是由训练集的实例特征向量传入，经过连接结点的权重(weight)传入下一层，一层的输出是下一层的输入，隐藏层的个数可以是任意的，输入层有一层，输出层有一层，每个单元(unit)也可以被称作神经结点,根据生物学来源定义，一层中加权的求和，然后根据非线性方程转化输出。多层向前神经网络由以下部分组成：输入层(input layer),隐藏层(hidden layers),输入层(output layers)，每层由单元(units)组成。（1）通过迭代性的来处理训练集中的实例。

2022-09-29 17:25:02 8748

原创 Python中sklearn包更新后，Randomized模块取消，如何解决报错问题

Python中sklearn包更新后，Randomized模块取消，如何解决报错问题

2022-09-26 16:04:25 553

janestan的博客