回归

机器学习常见的分类与回归模型目标变量系统性设计与实践（一）几篇关联度高的：在机器学习项目里，目标变量 (Y) 的定义决定了你能解答什么问题，以及模型能给业务带来什么价值。选择不当不仅可能导致模型误差大、偏差严重，还可能让业务决策方向偏离。

05 回归问题和分类问题我们用通俗易懂的话 + 数学公式 + 生活例子，彻底讲清楚回归和分类的区别。你要猜的是一个具体的数值，这个数可以是小数、整数，范围很广。比如房价、体重、温度、销售额等。

Scikit-Learn 对糖尿病数据集（回归任务）进行全面分析糖尿病数据集，442个样本，10个特征（年龄、血压等），目标为疾病进展值该数据集为回归问题，需要使用回归分析方法进行分析

Scikit-learn 对加州房价数据集（回归任务）进行全面分析加利福尼亚房价数据集 fetch_california_housing，20640个样本，8个特征（人口、收入等），目标为房价中位数该数据集是一个回归问题，需要运用回归任务的分析方法进行分析

保序回归Isotonic Regression的sklearn实现案例本篇文章Back to Basics: Isotonic Regression in Sklearn适合初学者了解等距回归。文章的亮点在于它能够强制模型输出保持单调性，适用于需要遵循单调业务规则的场景，如收入与风险评分的关系。

Transformer实战（18）——微调Transformer语言模型进行回归分析在自然语言处理领域中，预训练 Transformer 模型不仅能胜任离散类别预测，也可用于连续数值回归任务。本节介绍了如何将 DistilBert 转变为回归模型，为模型赋予预测连续相似度分值的能力。我们以 GLUE 基准中的语义文本相似度 (STS-B) 数据集为例，详细介绍配置 DistilBertConfig、加载数据集、分词并构建 TrainingArguments，并定义 Pearson/Spearman 相关系数等回归指标。

四大经典案例，入门AI算法应用，含分类、回归与特征工程｜2025人工智能实训季初阶赛和鲸社区「2025人工智能实训季」共包含14套赛题，覆盖初、中、高不同难度等级。而其中的初阶赛题，正是最适合萌新们的起点。

基于灰狼算法（GWO）优化支持向量回归机（SVR）参数C和γ的实现基于灰狼算法（GWO）优化支持向量回归机（SVR）参数C和γ的实现参考代码用灰狼算法优化的支持回归机，对参数c，g进行寻优 www.youwenfan.com/contentcsg/51160.html

《sklearn机器学习——回归指标2》mean_squared_log_error函数计算与平方（二次方）对数误差或损失的期望值相一致的风险指标。

《sklearn机器学习——管道和复合估计器》回归中转换目标在 scikit-learn（sklearn）中，回归任务的目标变量（target variable，通常记为 y）有时需要进行数学变换，以满足模型假设（如线性回归要求残差正态分布）、改善模型性能、或使数据更适合特定算法。sklearn 提供了多种工具来实现目标变量的转换和逆转换。

《sklearn机器学习——回归指标1》skearn.metrics模块实现一些损失函数，评分，并且应用函数去测度回归标签。其中一些已经改进，可以处理多指标案例：mean_squared_error，mean_absolute_error，explained_variance_score和r2_score。

民乐团扒谱机

逻辑回归算法干货详解：从原理到 MATLAB 可视化实现逻辑回归是机器学习中二分类任务的 “入门级利器”，虽然名字带 “回归”，但实际是分类算法，广泛用于垃圾邮件识别、疾病诊断、用户流失预测等场景。这篇文章只讲干货：跳过复杂公式推导，聚焦 “怎么理解”“怎么用”“怎么看效果”，最后附上完整 MATLAB 代码，运行后能直接画出分类边界和迭代过程，帮你快速上手。

1.5、机器学习-回归算法线性回归模型(Liner Regression)，是利用线性拟合的方式来探寻数据背后的规律。通过搭建线性回归模型，可以寻找这些散点（也称样本点）背后的趋势线(也称回归曲线)。

神经网络|(十九)概率论基础知识-伽马函数·下前序学习进程中，已经对伽马函数阶乘表达式，积分式和阶乘式等价和阶乘的积分表达式。今天来一起梳理一下，因为这个学习过程的确翻来覆去。

DAY02：【DL 第一弹】pytorchPyTorch的诞生并非偶然，而是深度学习框架发展到特定阶段的必然产物，其背后是技术需求与生态演变的共同推动。

骑驴看星星a

皮尔逊相关（Pearson）和斯皮尔曼相关（Spearman）显著性检验检验方法：T检验（t-test）皮尔逊相关系数的显著性检验，通常用t检验。你用 scipy.stats.pearsonr 计算相关系数时，返回的p值就是t检验的结果。

做科研的周师兄

【机器学习入门】5.4 线性回归模型的应用——从CO₂浓度预测学透实战全流程线性回归不是纸上谈兵的公式，而是能解决真实问题的实用工具。当我们关注全球气候变暖时，如何预测未来大气中 CO₂浓度的变化？当企业规划生产时，如何根据历史数据预测下月销量？这些 “连续值预测” 问题，都能通过线性回归找到答案。

瓦香钵钵鸡

机器学习通关秘籍｜Day 05：过拟合和欠拟合、正则化、岭回归、拉索回归、逻辑回归、Kmeans聚类目录一、欠拟合过拟合1、欠拟合2、过拟合3、正则化二、岭回归Ridge1、损失函数2、API三、拉索回归Lasso

贝叶斯向量自回归模型 (BVAR)在金融时间序列分析中，向量自回归 (VAR) 模型作为一种基础且广泛应用的工具，能够捕捉多个时间序列变量之间的动态关系。传统 VAR 模型在参数估计时通常采用普通最小二乘法 (OLS)，但这种方法在样本量有限的情况下往往表现不佳，容易出现过拟合现象。贝叶斯向量自回归 (BVAR) 模型通过引入贝叶斯统计框架，能够有效利用先验信息对模型参数进行正则化，特别适合处理小样本数据问题。随着金融市场的复杂性增加和数据获取难度的提高，BVAR 模型在金融时间序列分析中的优势日益凸显。

直线拟合方法全景解析：最小二乘、正交回归与 RANSAC本文系统梳理了直线拟合的三种常见方法：常规最小二乘（OLS）、正交回归（Total Least Squares，TLS，又称最小化垂直距离）以及具备抗离群点能力的 RANSAC。我们从线性代数的投影原理出发，推导出闭式解，并给出工程实现建议及示例代码。希望通过本文，读者能全面理解直线拟合的数学本质与实际应用要点。