回归

线性回归实战：5步验证你的量化因子是否真有效作者：老余捞鱼原创不易，转载请标明出处及原作者。写在前面的话：线性回归不只是统计工具，更是量化交易的信号验证器。它能帮你区分Alpha和Beta，识别真正有效的交易信号。在A股市场，动量因子表现特殊，小盘效应显著。本文帮您掌握正确的回归验证方法，比追求高R²更重要。

fengchengwu2012

机器学习应用笔记：回归与分类理论与实践结合，从数学本质到工程落地机器学习的目标是从数据中学习一个映射函数：y = f ( x ; θ ) y = f(\mathbf{x}; \boldsymbol{\theta}) y=f(x;θ)

05 逻辑斯蒂回归（Logistic Regression）核心问题：如何用回归的思路解决分类问题？逻辑回归虽然名字里有“回归”，但它是一种分类算法，尤其擅长二分类（如是否欺诈、是否患病）。

数据皮皮侠AI

上市公司战略性新兴产业专利数据库（2003-2024)数据简介发展战略性新兴产业是推动我国产业结构转型升级，抢占新一轮经济制高点的重大战略决策，也是建立创新型国家和提高综合国力的必然选择。参考《战略性新兴产业分类与国际专利分类参照关系表(2021)(试行)》，将其中定义为战略性新兴产业专利的国际专利分类提取出来，与中国全量专利数据库进行匹配，筛选出战略性新兴产业专利数据再与上市公司进行匹配，保留了子母公司数据。数据包含年度面板统计表和匹配后的上市公司发展战略性新兴产业专利信息表。

03（扩展）回归决策树（Regression Decision Tree）对应教材：陈封能《数据挖掘导论》第3章（扩展）核心问题：如何用决策树的方法预测连续数值（如房价、温度、销售额）？

算法调优中的性能回归与基准测试分析的技术8定义与场景检测方法根因定位测试环境标准化测试用例设计减少干扰因素性能剖析工具可视化与报告典型优化场景基准测试陷阱

机器学习之心

扩散模型数据增强 + Transformer-LSTM 回归预测：小样本场景下的工业级解决方案摘要：在小样本回归任务中，数据稀缺往往是制约模型性能的核心瓶颈。本文将扩散模型（Diffusion Model）作为数据生成引擎与 Transformer-LSTM 深度回归网络深度融合，构建了一套端到端的小样本增强预测框架。实验结果表明，经扩散模型数据增强后，Transformer-LSTM 回归模型在测试集上取得了 MAE = 1.0122、RMSE = 1.2945、R² = 0.9007 的优异性能，充分验证了该技术路线在工业小样本场景中的实用价值。

网安蟹佬霸

Google开源DiffusionGemma：26B MoE扩散语言模型，放弃自回归实现4倍推理加速2026年6月11日，Google正式发布实验性开源模型DiffusionGemma，以Apache 2.0许可证开放。这是一款基于文本扩散（Text Diffusion）机制构建的大语言模型，采用26B参数的MoE（Mixture of Experts，混合专家）架构，推理时仅激活约3.8B参数。与传统自回归（Autoregressive）大语言模型逐token顺序生成的方式不同，DiffusionGemma通过并行去噪的方式输出文本，每次前向传播可并行生成256个token。在单张NVIDIA H10

基于Python+回归分析的电子产品需求数据分析与预测随着科技的迅猛进步与日新月异的发展，电子产品以其独特的魅力和广泛的应用场景，需求量持续攀升，呈现出蓬勃的增长态势。在此背景下，如何精准有效地预测和分析电子产品的需求数据，把握市场动态与消费者偏好，成为了企业制定战略规划、优化库存管理、调整生产策略及提升市场竞争力的重要依据。然而，现有的预测方法存在 ‌特征维度单一的不足。针对这种不足，本研究提出了一种基于 Python 与回归分析的电子产品需求数据分析与预测方法来实现良好的预测。本文基于Python编程语言，运用回归分析的方法，对淘宝电子产品的历史需求数

R 语言逻辑斯蒂回归逻辑斯蒂回归用于二分类（0/1 因变量），因变量 y：只能取 0 或 1，事件发生概率，范围 (0,1)

机器学习之心

基于Stacking集成学习的回归预测模型：当PLS、SVM、BP、RF遇上BiLSTM本文系统介绍了一种基于Stacking策略的集成学习回归预测方法：以偏最小二乘（PLS）、支持向量机（SVM）、BP神经网络、随机森林（RF）作为基学习器，以双向长短期记忆网络（BiLSTM）作为元学习器，构建两层融合预测架构。实验结果表明，Stacking模型R²达到0.9881，较基学习器平均性能提升14.67%，实现了多模型协同互补、精度显著超越单一模型的预期目标。

Overlap：SLOPE（线性回归斜率）技术指标详解SLOPE（线性回归斜率）是一种基于统计学线性回归理论的趋势技术指标。它通过计算给定时间段内价格序列的最小二乘线性回归线的斜率，来衡量价格变化的速率和方向。

xiao5kou4chang6kai4

R和Python都能用的Copula实战路线：检验、选模、Vine、贝叶斯在工程、水文和金融等各学科的研究中，总是会遇到很多变量，研究这些相互纠缠的变量间的相关关系是各学科的研究的重点。虽然皮尔逊相关、秩相关等相关系数提供了变量间相关关系的粗略结果，但这些系数都存在着无法克服的困难。例如，皮尔逊相关系数只能反映变量间的线性相关，而秩相关则更多的适用于等级变量。大多数情况下变量间的相关性非常复杂，而且随着变量取值的变化而变化，而这些相关系数都是全局性的，因此无法提供变量间相关性变化的细节；更严重的是这些系数只提供了数值，对于变量间相关的具体结构和函数一无所知。

吴恩达机器学习课程实验：线性回归模型入门（课后实验）在本实验中，你将学习：我们将使用课程中的房价预测例子：| 2.0 | 500 |通过这两个数据点，我们想要拟合一条直线（线性回归模型），然后用它来预测其他面积的房价，比如1200平方英尺的房子。

Softmax回归Softmax回归，也叫多项逻辑回归，是逻辑回归在多分类问题上的直接扩展。它的核心思想是：用一个模型，把输入映射成每个类别的概率分布（所有类别的概率和为 1），然后选概率最大的类别作为预测结果。

18-Hugging Face Transformers之GPT-2 案例详解：Decoder-only 自回归模型的完整生命周期本文档以 GPT-2 模型为例，将 Transformers 框架的所有模块串联起来，重点展示 Decoder-only 自回归模型从配置加载、分词编码、前向传播、注意力机制、自回归生成到训练推理的完整生命周期。源码文件：

天青色等烟雨..

基于R语言地理加权回归、主成份分析、判别分析等空间异质性数据分析实践技术应用在自然和社会科学领域有大量与地理或空间有关的数据，这一类数据一般具有严重的空间异质性，而通常的统计学方法并不能处理空间异质性，因而对此类型的数据无能为力。以地理加权回归为基础的一系列方法：经典地理加权回归，半参数地理加权回归、多尺度地理加权回归、地理加权主成份分析、地理加权判别分析是处理这类数据的有效模型。本次培训从局部加权回归开始，详细讲述了基于R语言的空间异质性数据分析方法。

V搜xhliang0246

告别SPSS卡顿：用AI智能体自动跑回归、生存曲线、生成方法学段落SPSS处理大样本时的转圈圈，以及撰写方法学段落时逐字逐句的纠结，正在成为过去式。当前一批经过同行验证的AI智能体，可以用自然语言对话，直接完成回归分析、生存曲线绘制，并同时生成符合学术规范的方法学描述。

大江东去浪淘尽千古风流人物

【ACE-SLAM】场景坐标回归实时神经 SLAM：TriMLP 架构与隐式回环闭合神经隐式 SLAM 方法（如 NICE-SLAM、SplaTAM）精度出色但帧率通常不到 1 FPS，无法用于实时应用。Imperial College 的 ACE-SLAM 首次将**场景坐标回归（Scene Coordinate Regression, SCR）**作为核心地图表示，通过训练轻量 MLP 将 2D 图像特征直接映射到 3D 全局坐标，实现 29.7 FPS 严格实时运行，地图仅 ~1MB，且无需专用回环检测模块即可隐式处理回环闭合。

ZHW_AI课题组

基于XGBoost的鸢尾花花瓣长度回归预测1.作者介绍郭焱琳女西安工程大学电子信息学院，2025级研究生研究方向：模式识别与人工智能电子邮件：250412112@stu.xpu.edu.cn