回归

机器学习之心

LSBoost增强算法回归预测+SHAP可解释分析+新数据预测（多输入单输出）MATLAB代码该代码旨在构建一个基于集成学习的回归模型，并利用SHAP（SHapley Additive exPlanations）方法对模型预测结果进行解释。SHAP源于合作博弈论中的Shapley值，通过量化每个特征对预测的边际贡献，满足对称性、有效性、线性性和零贡献性，是目前机器学习可解释性领域的主流工具。代码将回归建模与SHAP解释相结合，适用于需要同时获得高精度预测和特征重要性分析的场景。

机器学习之心

随机森林回归预测+SHAP可解释分析+新数据预测（多输入单输出）MATLAB代码该代码实现了一个基于随机森林回归模型的SHAP（SHapley Additive exPlanations）解释性分析流程，能够对模型预测结果进行特征归因，并通过多种可视化方式展示特征贡献。

机器学习之心

基于GPR高斯过程回归的轴承剩余寿命预测MATLAB实现该代码的研究背景是基于数据驱动的轴承剩余寿命预测，利用高斯过程回归（GPR）模型对滚动轴承的退化过程进行建模。轴承作为旋转机械的关键部件，其剩余寿命预测对于设备预测性维护、降低运维成本具有重要意义。代码采用公开的轴承全寿命振动数据，将轴承1-2作为训练集，轴承3作为测试集，通过提取的退化特征和对应的剩余寿命标签，训练GPR模型并评估其预测性能。

木尧大兄弟

Decoder-Only 模型自回归vs一次前传两种 Hidden State 的对比想到一个有意思的问题，可以拿来当面试题。对于 Qwen、GPT 这种 decoder only 的生成模型：

机器学习之心

LightGBM多变量回归区间预测（点预测 + 区间预测），MATLAB代码MATLAB 代码实现了一个基于 LightGBM（轻量级梯度提升机）的回归模型，并在其基础上添加了区间预测功能（即预测值附带置信区间）。以下是对该代码的详细分析：

监督学习-回归回归是监督学习中的一种重要方法，主要用于预测连续型目标变量。常见的回归方法包括线性回归、多项式回归和岭回归等，每种方法有其独特的应用场景和特点。

深度解析多维时序数据异常检测：原理、挑战与架构之道在工业互联网、智能运维（AIOps）、金融监控及智慧城市等领域，我们面对的往往不是孤立的单一指标，而是由成百上千个相关联的指标组成的多维时间序列（Multivariate Time Series, MTS）。例如，一台高性能服务器的健康状态是由 CPU 使用率、内存占用、磁盘 I/O、网络吞吐以及数百个底层传感器的电压和温度共同决定的。

当 MCP 遇上回归主义：CLI 和直接 API 正在夺回 AI 集成的主导权参考来源： YouTube 播放量最高视频《MCP vs API: Simplifying AI Agent Integration with External Data》（IBM Technology，约 93 万播放）、《MCP vs CLI for AI Agents: Why Direct APIs Win (2026)》（ModelsLab）、《6 Model Context Protocol Alternatives to Consider in 2026》（Merge）

机器学习之心

GA-SVR遗传算法优化支持向量机回归+SHAP分析+新数据预测，MATLAB代码基于遗传算法（GA）优化支持向量回归（SVR）参数的完整回归预测与模型解释流程，并结合SHAP（Shapley Additive Explanations）方法对模型进行可解释性分析。以下从八个方面进行简述：

深度捕捉时序本质：TSTD 异常检测之表示学习（Representation-based）全解析在时间序列异常检测（TSTD）的进化史上，如果说预测模型是“看未来”，重构模型是“看结构”，那么基于表示学习（Representation-based）的模型则是“看本质”。

机器学习之心

RF-RFE-BP基于随机森林递归特征消除（RF-RFE）与BP神经网络回归预测，MATLAB代码在机器学习回归问题中，特征维度过高可能导致模型过拟合、计算开销增大及可解释性下降。特征选择是解决上述问题的关键手段之一。随机森林（RF）能够评估特征重要性，结合递归特征消除（RFE）可以自动筛选出最优特征子集。BP神经网络作为经典的非线性模型，广泛应用于回归预测。将RF-RFE与BP结合，既能发挥RF在特征选择上的优势，又能利用BP的拟合能力，实现高效准确的回归建模。

深度解析 NT-Xent：对比学习中的标准化温度交叉熵损失在深度学习步入“自监督时代”后，如何让模型在没有标签的情况下学到有意义的特征？Google 在其里程碑式的论文 SimCLR 中给出了答案，而其中的核心引擎就是 NT-Xent（Normalized Temperature-scaled Cross Entropy Loss，标准化温度缩放交叉熵损失）。

深度解析 InfoNCE：对比学习背后的“核心功臣”在对比学习（Contrastive Learning）的世界里，如果说模型架构是“骨架”，那么 InfoNCE Loss 便是驱动模型进化的“灵魂”。它是目前自监督学习领域应用最广、效果最强的损失函数之一，直接促成了 SimCLR、MoCo 等神级算法的诞生。

传统配方+机器学习：福尔蒂新材料用15年经验构建梯度回归预测模型（Python开源预告）在国内塑料功能母粒这个行当里，真正能把实验室数据、产线经验、客户反馈串成一条技术闭环的企业并不多。青岛福尔蒂新材料就是其中一家——不是靠堆参数讲故事，而是用十五年持续跑通“配方迭代—工艺适配—性能验证”这条长链条的真实案例。

深度解析：基于专家的监管方法（Expert-Based Supervision）在复杂系统中的应用在自动化控制、人工智能决策以及企业合规管理等领域，基于专家的监管方法（Expert-Based Supervision）是一种核心的治理机制。简单来说，它通过引入特定领域专家（Subject Matter Experts, SMEs）的知识、规则和经验，对系统或算法的运行过程进行实时或事后的评估、引导与干预。

别再被异常数据骗了：深度解析 TSTD 异常检测中的重构模型（AutoEncoder 实战）在时间序列异常检测（TSTD）的武器库中，如果说基于预测的模型是“预知未来”，那么**基于重构的模型（Reconstruction-based）**就是“复刻经典”。

动手学深度学习（李沐）笔记：Softmax 回归简洁实现（PyTorch 版）上一节我们已经把 Softmax 回归从零实现跑通了：手写了参数 (W,b)、手写了 softmax、手写了交叉熵、手写了 SGD。

损失函数的选择艺术：回归用MSE，分类用交叉熵？这句话看似简洁好记，能快速帮我们完成损失函数的初步选择，但它并非绝对真理——在实际场景中，若机械套用这一规则，往往会导致模型收敛缓慢、泛化能力不足，甚至无法达到预期效果。事实上，损失函数的选择从来不是“一刀切”的流程，而是一门结合任务特性、模型结构、数据分布的艺术。

机器学习之心

拉丁超立方采样（LHS）+二阶多项式回归响应面建模+非线性规划和遗传算法多目标优化求解，MATLAB代码地下综合管廊是城市基础设施的重要组成部分，其结构设计需在满足安全性的前提下尽可能降低造价。传统设计依赖经验或简单计算，难以实现全局最优。该研究通过试验设计 + 响应面模型 + 优化算法的方式，对管廊的关键结构尺寸进行优化，具有工程实用价值和理论参考意义。

机器学习之心

PSO-SVR粒子群算法优化支持向量机回归+SHAP分析+新数据预测，MATLAB代码该代码实现了一个基于粒子群优化（PSO）算法优化支持向量回归（SVR）的预测系统，并集成了SHAP值分析用于模型解释。以下是对代码的全面分析：