linear-regression

0热度

1回答

这是一个益智游戏。我正在计算大型数据集的线性模型，并使用“geom_text_repel”将公式粘贴到图上。我跑我的脚本成功了很多次，但突然开始收到以下错误：错误lm.fit（X，Y，偏移=偏移，singular.ok = singular.ok，.. ）：0（非NA）的情况下这令人生气，因为我没有改变任何东西。我已经详细阅读了这个问题，但还没有找到解决方案。很多人说这是由于在数据集的每一

3热度

1回答

使用Python和numpy的计算规则化损失函数

的梯度，我有以下公式：，我试图在函数中使用计算正则损失函数的梯度。我有dataSet，这是一个[(x(1), t(1)), ..., (x(n), t(n))]的数组，并与训练数据n = 15。这里是我到目前为止，明知损失函数是vector here. def gradDescent(alpha, t, w, Z): returned = 2 * alpha * w y =

0热度

1回答

线性回归机器学习训练模型与庞大的数据

我在机器学习线性回归问题的工作在我的火车文件大约是8GB。虽然我的TP是高配置的，它不支持。因此，我可以将训练文件分成 10/20文件并逐个训练这些文件的模型，而不是将整个文件传递给训练目的。请问这种方法工作或做我必须培养与整个数据模型在一杆？

0热度

1回答

graphlab线性回归由于数值溢出错误而终止

我正尝试使用graphlab创建线性回归模型。我有200个样本和1个预测器。但是，我遇到了“数字溢出错误”，下面是输出： model_all = graphlab.linear_regression.create(data2.tail(200), target='output', features=['input'],validation_set=None,l2_penalty=0.0002,so

0热度

1回答

为R中的插入符号生成调整参数

我一直在尝试使用插入符号包对模型进行k次折叠验证。我已经运行lm（）取得了一些成功，但是当我尝试使用脱字符号进行操作时，它失败了。步骤： train_control <- trainControl(method="cv", number=10) grid <- expand.grid(.fL=c(0), .usekernel=c(FALSE)) model <- train(Fanta

0热度

1回答

寻找一个样本如何做加权线性回归

我想用MathNet来计算我的数据的加权线性回归。该文档是here。我试图找到a x + b = y，使它最适合（x，y，w）的列表，其中w是每个点的权重。 var r = WeightedRegression.Weighted( weightedPoints.Select(p=>new Tuple<double[],double>(new [] { p.LogAvgAmount

0热度

1回答

如何将火车模型转换为生产？

我已经完成了一个模型，它在可接受的范围内执行。我正在使用python和scitkit-learn。接下来将模型移至生产。我可以请求帮助将这些模型转换为生产模式。我怎样才能保存一个训练有素的模型，以便我可以将其移至生产环境。在此先感谢您的帮助。

5热度

1回答

多元回归中置信区间的Octave/Matlab实现

我需要在Octave/Matlab中实现多元回归系数的置信区间。该任务是以一种常见的方式定义的：数据Y，设计矩阵X，系数β，使得Y =βX。对于β的代码是后来干脆： beta = pinv(X)*Y 现在，作为一个愚蠢的物理学家，我有点信心和预测区间丢失。公式以及它们的实现。注意：我知道有一个Matlab函数mvregress，但它仍然从我正在使用的Octave中丢失。注2：在Cross

0热度

1回答

使用keras实现线性回归，导致nan损失

我是keras的新手。当我实施线性回归时，我遇到了一个纳税损失，这使我非常困惑。我把我的源代码如下： from keras.layers import Dense,Activation from keras.models import Sequential import numpy as np model = Sequential() model.add(Dense(1,input_sha

0热度

1回答

梯度下降收敛一个参数的速度比其他参数快

我在JavaScript中使用梯度下降实现了我的第一个（单变量）线性回归。 const LEARNING_RATE = 0.000001; let m = 0; let b = 0; const hypothesis = x => m * x + b; const learn = (alpha) => { if (x.length <= 0) return; l