回归

常见回归损失函数详解：L1 Loss, L2 Loss, Huber LossL1 损失函数又称为绝对误差损失，其形式为 loss(x) = |x|，即预测值与真实值之间差值的绝对值。该函数对异常值具有鲁棒性，梯度恒定不易爆炸，但由于不可导点和不连续导数，可能导致优化过程中收敛速度变慢。

我不是小upper

基于 ARIMA 与贝叶斯回归的时间序列分析：结合趋势季节性与不确定性量化（附 PyTorch 变分贝叶斯实现）哈喽，大家好。我是我不是小upper~今天和大家聊聊结合 ARIMA 与贝叶斯回归的时间序列预测及不确定性分析。这个话题听起来有点专业，但咱们可以一步步拆解清楚～

【机器学习基础】机器学习入门核心算法：线性回归（Linear Regression）核心思想通过线性方程拟合数据，最小化预测值与真实值的误差平方和，解决回归问题。示例：根据房屋面积和房间数量预测房价。

多元回归的假设检验本文是实验设计与分析（第6版，Montgomery著傅珏生译)第10章拟合回归模型第10.4节的python解决方案。本文尽量避免重复书中的理论，着于提供python解决方案，并与原书的运算结果进行对比。您可以从Detail 下载实验设计与分析（第6版，Montgomery著傅珏生译)电子版。本文假定您已具备python基础，如果您还没有python的基础，可以从Detail 下载相关资料进行学习。

Teacher.chenchong

R语言空间分析实战：地理加权回归联合主成份与判别分析破解空间异质性难题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。本教程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。

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。

旺旺碎碎冰_

自回归图像编辑 EditAR: Unified Conditional Generation with Autoregressive ModelsPaperhttps://arxiv.org/pdf/2501.04699Code (coming soon)

搬砖的阿wei

支持向量机（SVM）：分类与回归的数学之美在机器学习的世界里，支持向量机（Support Vector Machine，简称 SVM）是一种极具魅力且应用广泛的算法。它不仅能有效解决分类问题，在回归任务中也有着出色的表现。下面，就让我们深入探索 SVM 如何在分类和回归问题中发挥作用。

可爱美少女

Predict Podcast Listening Time-(回归+特征工程+xgb)Predict Podcast Listening Time给你没个播客的信息，让你预测观众的聆听时间。

【机器学习】支持向量回归（SVR）从入门到实战：原理、实现与优化指南在机器学习的广阔领域中，回归分析作为预测连续型变量的重要手段，被广泛应用于金融预测、工业生产、科学研究等诸多场景。支持向量回归（SVR）作为回归算法家族中的佼佼者，凭借独特的理论优势与强大的实践能力脱颖而出。它基于支持向量机（SVM）的思想，创新性地引入 ε- 不敏感带，有效平衡模型复杂度与泛化能力，尤其在处理非线性问题时展现出卓越性能。

九亿AI算法优化工作室&

乡村地区无人机医药配送路径规划与优化仿真本代码意在通过对无人机路径规划和载具选择进一步帮助乡村振兴，提高农村卫生条件，让患者足不出户就可享受到医疗服务，旨在完善乡村基础设施建设，积极响应国家“十四五”规划的号召。先选择适合在该地区配送医药物资环境下的载具材料、负重能力、工作能源、机翼数量及种类等，再对该地区所有配送点分布进行聚类分析，划分好区域后再落实到无人机的飞行轨迹上，文中使用改进遗传算法，同时结合人工势场法进行避障。最终模拟一个真实环境，通过仿真实验对改进的算法和载具优化方案进行验证。代码能正常运行时不负责答疑! 电子产品，一经出售，

梁下轻语的秋缘

前馈神经网络回归(ANN Regression)从原理到实战在机器学习领域，回归任务旨在建立输入特征与连续型输出变量之间的映射关系。前馈神经网络（Feedforward Neural Network）作为最基础的神经网络架构，通过多层非线性变换，能够有效捕捉复杂的非线性映射关系，尤其适合处理传统线性模型难以建模的高维、非线性回归问题。

赵青临的辉

常见机器学习算法简介：回归、分类与聚类机器学习说到底，不就三件事：预测一个数 —— 回归判断归属哪个类 —— 分类自动把数据分组 —— 聚类

支持向量机的回归用法详解在机器学习的广阔领域中，支持向量机（SVM）是一种极具影响力的算法，它不仅在分类任务上表现出色，在回归任务中同样有着独特的应用价值。本文将深入探讨 SVM 的回归用法，包括其基本原理与代码实现。

基于小波神经网络（WNN）的回归预测模型【MATLAB】在数据驱动的时代，预测已经成为各行各业中不可或缺的一部分。无论是金融市场的波动、天气的变化，还是工业设备的状态监测，准确的预测都显得尤为重要。在众多预测方法中，小波神经网络（Wavelet Neural Network, WNN）作为一种结合了小波分析与人工神经网络的智能建模方法，近年来受到了广泛关注。

4.7/Q1，GBD数据库最新文章解读文章题目：Burden of non-COVID-19 lower respiratory infections in China (1990-2021): a global burden of disease study analysis

白杆杆红伞伞

02_线性模型（回归分类模型）线性模型也广泛应用于分类问题，可以利用下面的公式进行预测：$ \widehat y = w[0]*x[0]+w[1]*x[1]+…+w[p]*x[p]+b > 0$

如何理解编程中的递归、迭代与回归？作为编程初学者，递归、迭代和回归这三个概念常常让人感到困惑。本文将通过生活化的比喻、Python代码示例和直观的对比，帮助你彻底理解这三个重要概念及其应用场景。

Transformer-LSTM混合模型在时序回归中的完整流程研究深度学习中的长期依赖建模一直是时序预测的核心问题。长短期记忆网络（LSTM）作为一种循环神经网络，因其特殊的门控结构能够有效捕捉序列的历史信息，并在时序预测中表现出色；然而LSTM的序列计算方式限制了其并行处理能力和对全局上下文信息的感知。相比之下，Transformer模型通过自注意力机制可以并行处理数据并捕捉全局依赖，对复杂时序数据（例如季节性、周期性强的数据）具有天然优势。因此，将两者结合可以兼顾短期局部模式和长期全局关联：LSTM负责提取连续时序中的细节信息，Transformer补充全局依赖权重

白杆杆红伞伞

02_线性模型(回归线性模型)线性模型是在实践中广泛使用的一类模型，线性模型利用输入特征的线性函数（linear function）进行预测。