- 综合排序
- 最热优先
- 最新优先
- 来自专栏paddle深度学习
paddle深度学习11 线性回归
线性回归是一项经典的统计学习方法，广泛应用于预测连续值的问题。它通过拟合输入特征与输出标签之间的线性关系，来建立一个简单的预测模型。 线性回归的核心思想是找到一条直线（或超平面），使得这条直线能够尽可能地拟合训练数据中的样本点。下面，以线性回归为例，详细介绍如何使用PaddlePaddle进行模型定义、训练和评估。
56910编辑于 2025-01-15 - 来自专栏技术杂记
RabbitMQ 的CLI管理工具 rabbitmqadmin（11）
查看 bindings [root@h102 rabbitmq]# rabbitmqadmin list bindings +--------+-------------+-------------+ | source | destination | routing_key | +--------+-------------+-------------+ | | hello | hello | | | test | test |
67810发布于 2021-11-25 - 来自专栏数据STUDIO
原理+代码，总结了 11 种回归模型
导读： 上篇总结了八种线性回归模型，介绍了主流的线性回归模型及python实操代码，而本文将继续修炼回归模型算法，并总结了一些常用的除线性回归模型之外的模型，其中包括一些单模型及集成学习器。 保序回归、多项式回归、多输出回归、多输出K近邻回归、决策树回归、多输出决策树回归、AdaBoost回归、梯度提升决策树回归、人工神经网络、随机森林回归、多输出随机森林回归、XGBoost回归。 保序回归 保序回归或单调回归是一种将自由形式的直线拟合到一系列观测值上的技术，这样拟合的直线在所有地方都是非递减(或非递增)的，并且尽可能靠近观测值。 多项式回归 多项式回归(PolynomialFeatures)是一种用多项式函数作为自变量的非线性方程的回归方法。 将数据转换为多项式。多项式回归是一般线性回归模型的特殊情况。 2)) Actual Predicted Date 2017-08-09 12.83 12.63 2017-11
5.4K42发布于 2021-06-24 - 来自专栏Hadoop数据仓库
MADlib——基于SQL的数据挖掘解决方案（11）——回归之线性回归
I 1 2 3 4 5 6 7 8 9 10 11 12 Xi1 3.5 5.3 5.1 5.8 4.2 6.0 6.8 5.5 3.1 7.2 4.5 4.9 Xi2 9 20 18 33 31 13 25 30 5 47 25 11 Xi3 6.1 6.4 7.4 6.7 7.5 5.9 6.0 4.0 5.8 8.3 5.0 6.4 Yi 33.2 40.3 38.7 46.8 41.4 37.5 ，但能否应用多元回归，最好先通过数据可视化判断它们之间的变化趋势，如果近似满足线性关系，则可以利用线性回归方法对该问题进行回归。 6.8,25,6.0,39.0), (5.5,30,4.0,40.7), (3.1,5,5.8,30.1), (7.2,47,8.3,52.9), (4.5,25,5.0,38.2), (4.9,11,6.4,31.8 51.6755131538182 | 1.22448684618178 4.5 | 25 | 5 | 38.2 | 37.1789372916769 | 1.02106270832314 4.9 | 11
1.3K10发布于 2019-05-25 - 来自专栏黄腾霄的博客
2019-11-22-C++CLI的Ref和Out使用
最近在搞C++/CLI，发现经常需要涉及Ref和Out的使用，因此记录下。 ---- C++/CLI 是一种.NET语言，因此其可以像C#一样使用Ref和Out为函数参数进行标识。 所以回到C++/CLI只需要在原来的方法中添加一个[ Runtime::InteropServices::Out ]Attribute即可（注意大小写，这里编译器不会提醒，别问我怎么知道的，都是泪） ? 此外需要注意的一点，如果你的ref或者out参数是由外部方法的参数传入的，需要确保整条链路上的ref或者out一致，否则会出现编译错误 ---- 参考文献： .net - ref and out in C++/CLI : Specify an out Parameter - Microsoft Docs ---- 本文会经常更新，请阅读原文： https://xinyuehtx.github.io/post/C++CLI
1.2K20发布于 2020-06-10 - 来自专栏华尔街科技眼
双11的第14年：进化与回归
文/杨晓羽编辑/罗卿中国零售史上第14个双11刚刚结束，双11的发展也迎来了一个拐点。历经14年，双11已经被各大电商平台打造成全民消费节日。 在历经14年花样翻新的迭代后，京东集团创始人刘强东强调“低价仍是零售业核心竞争力”的表态(详情见：独家：用户转投李佳琦直播间，刘强东痛批高管夜郎自大），为本届双十一大促定下基调，也成为双11回归零售本质的一个新起点 随着“双11”收官，美的方面称总销售额夺得了全网第一。海尔智家对外公布的数据也显示，从 10 月 31 日的开门红，到 11 月 11 日冲刺阶段，始终保持全网第一，展示出国民品牌的实力和影响力。 双11刚刚结束，淘宝就开始紧锣密鼓地筹备双12购物节商家招募工作。招募广告中写道：“对于淘宝商家来说，双11是很重要的，打好双11这场仗，可以迅速扭转自己在淘宝的局面。 一位北京的单身市民李梓表示，她曾经对于双11、12这样的消费节很热衷，喜欢趁着便宜的时候囤货，但今年消费更加理性，原因一方面是今年双11的折扣力度与往年持平，另一方面因大环境不佳预期个人收入减少。
39.6K30编辑于 2022-11-16 - 来自专栏啄木鸟软件测试
机器学习测试笔记（11）——线性回归方法（上）
现在我们通过sklearn的线性模型中的线性回归（LinearRegression）类来画出一条经过[2,3]和[3,4]的直线。 这条折线不经过[2,3]、[3,4]和[4,4]三个点中任意一个点，但是使得这三个点到这条直线的距离保持最小，这就体现出了线性回归的意义。 线性回归方法包括：最小二乘法、逻辑回归、支持向量机、岭回归和套索回归。下面我们进行一一介绍。 但是不雅开心得太早，我们使用sklearn datasets中的diabetes来进行线性回归，评分（score）就没有那么高了。 我们再来看sklearn datasets对波士顿房价的回归。
1.8K10发布于 2021-01-04 - 来自专栏机器学习与统计学
R in action读书笔记（11）-第八章：回归-- 选择“最佳”的回归模型
8.6 选择“最佳”的回归模型 8.6.1 模型比较 用基础安装中的anova()函数可以比较两个嵌套模型的拟合优度。 逐步回归stepwise method 逐步回归中，模型会一次添加或者删除一个变量，直到达到某个判停准则为止。 而向前向后逐步回归（stepwise stepwise，通常称作逐步回归 ），结合了向前逐步回归和向后逐步回归的方法，变量每次进入一个，但是每一步 中，变量都会被重新评价，对模型没有贡献的变量将会被删除 MASS包中的stepAIC()函数可以实现 逐步回归模型（向前、向后和向前向后），依据的是精确AIC准则。 全子集回归 全子集回归可用leaps包中的regsubsets()函数实现。
1.4K21发布于 2019-04-10 - 来自专栏零域Blog
C++命令行解析库CLI11介绍
本篇文章主要提炼自github上CLI11的官方文档,取出自己感兴趣的内容,记录下来方便以后使用 简单介绍 CLI11是一个基于C++开发的命令行解析库,目前最新版本1.9 其优点: 使用很方便,只需要 #include <CLI11.hpp>,当然也可以使用cmake编译版本 跨平台,支持广泛(不需要C++11以上的版本支持) 支持subcommand;支持重复options 关于编译 g++ -std =c++11 xx.cpp -I path_with_CLI11 -o app (path_with_CLI11是一个路径,其内有CLI11.hpp, app是编译后的可执行程序名) 运行: 需要提示信息的时候运行 /app -h 一个简单的例子 #include "CLI11.hpp" #include <iostream> int main(int argc, char **argv) { CLI:: ::App 是与库的所有交互的基础 CLI11_PARSE 宏内部执行app.parse(argc,argv)对命令行参数解析,出错时抛出ParseError,然后捕获异常,打印错误信息并退出程序 主要功能
6.7K20编辑于 2022-03-08 - 来自专栏AI机器学习与深度学习算法
机器学习入门 11-9 SVM思想解决回归问题
a SVM的思想解决回归问题 回归问题的本质其实就是找到一根直线（或曲线）能够最大程度的拟合样本数据点，不同定义拟合的方式对应着不同的回归算法。 比如前面介绍的线性回归算法定义拟合的方式就是让样本点到预测的这根直线的MSE的值最小。 SVM的思想解决回归问题对拟合的定义是指定一个margin值（在使用SVM的思想解决分类问题的时候，对应决策边界的上下也有一个margin），与SVM的思想解决分类问题的margin不同，使用SVM的思想解决回归问题期望在这个给定的 相应的使用SVR之前也需要对数据进行标准化，所以使用Pipeline管道将标准化和回归这两个步骤连在一起。 【机器学习】机器学习入门 11-6 到底什么是核函数 【机器学习】机器学习入门 11-7 RBF核函数 【机器学习】机器学习入门 11-8 RBF核函数中的gamma 【Pytorch】PyTorch
1.4K31发布于 2020-10-26 AI 应用架构底层重构：从 GUI 备胎到 Agent 核心原语，CLI 的强势回归
从 GUI 的“备胎”到 AI Agent 的“主接口”：CLI 为何在大模型时代强势回归？摘要：命令行界面（CLI）曾被认为是“老程序员”的玩具、GUI 时代被淘汰的交互化石。 年开源了 CLI-Anything，让任意软件都能一键变成 AI Agent 可操控的 CLI 工具。 本文从 CLI 的六十年历史出发，解析它的兴衰曲线，再深入 AI Agent 时代 CLI 不可替代的底层原因，最后用真实案例和 CLI-Anything 实战说明：为什么今天每个开发者都应该重新重视命令行 2.3 复兴：2009-2020，DevOps 与云原生把 CLI 拉回 C 位年份工具意义2009WP-CLI / Heroku CLI自动化部署与网站运维的 CLI 先驱2013Docker CLI 2024-2025 年是 CLI 工具集中爆发期，2026 年 CLI-Anything 进一步把“CLI 化”能力泛化到任意软件。
1K21编辑于 2026-07-06- 来自专栏深度学习之tensorflow实战篇
回归，岭回归。LASSO回归
当t不断增大时，选入回归模型的变量会逐渐增多，当t增大到某个值时，所有变量都入选了回归模型，这个时候得到的回归模型的系数是通常意义下的最小二乘估计。 主要是岭回归（ridge regression）和lasso回归。通过对最小二乘估计加入罚约束，使某些系数的估计为0。 (3)维数缩减 主成分回归（PCR）和偏最小二乘回归（PLS）的方法。 把p个预测变量投影到m维空间（m 3、岭回归、lasso回归和elastic net三种正则化方法[] （1）岭回归[] 最小二乘估计是最小化残差平方和（RSS）： 岭回归在最小化RSS的计算里加入了一个收缩惩罚项 岭回归优于最小二乘回归的原因在于方差-偏倚选择。随着lambda的增大，模型方差减小而偏倚（轻微的）增加。 从上面的图可以看到，最佳的lambda取值就是在红色曲线的最低点处，对应着变量个数是11个。它右侧的另一条虚线是在其一倍SE内的更简洁的模型（变量个数为9）。
3.1K40发布于 2018-03-16 - 来自专栏C++开发学习交流
【C++】开源：命令行解析库CLI11配置与使用
项目介绍 项目Github地址：https://github.com/CLIUtils/CLI11 看到一位朋友的评论，说平时命令行解析库用CLI11的多，这里来学习一下。 CLI11 是一个用于处理命令行参数和选项的 C++ 库，旨在简化 C++ 应用程序的命令行界面开发。 主要特点： 1.简单易用：CLI11 的设计目标之一是提供一个简单且直观的 API，使开发者能够轻松地定义和解析命令行选项。 4.类型安全：CLI11 在解析和处理命令行参数时，提供了类型安全的机制，避免了常见的类型转换错误。 ubuntu源码安装CLI11库： git clone https://github.com/CLIUtils/CLI11.git mkdir build & cd build cmake .. make
2.2K10编辑于 2024-07-24 - 来自专栏低代码平台
2026年AI编码CLI工具终极对比：Claude Code、Cursor、Gemini CLI、Codex CLI、Copilot CLI
JEECG低代码AI编程工具研究|从编程能力到Skills生态，五款主流AI编码CLI横评与选型指南引言：AI编码工具已是基础设施如果你还把AI编程工具当作"锦上添花"的辅助品，那你可能已经落后了。 五大选手速览在深入对比之前，先来看一眼这五款工具的基本定位：工具出品方核心定位起步价格ClaudeCodeAnthropic高自主度终端Agent$20/月CursorCLIAnysphereAI原生IDE+CLI GeminiCLIGoogle开源终端Agent免费CodexCLIOpenAI轻量终端Agent$20/月(ChatGPTPlus)CopilotCLIGitHub/MicrosoftGitHub原生CLI
15K121编辑于 2026-04-17 - 来自专栏深度学习之tensorflow实战篇
回归，岭回归。LASSO回归
当t不断增大时，选入回归模型的变量会逐渐增多，当t增大到某个值时，所有变量都入选了回归模型，这个时候得到的回归模型的系数是通常意义下的最小二乘估计。 主要是岭回归（ridge regression）和lasso回归。通过对最小二乘估计加入罚约束，使某些系数的估计为0。 (3)维数缩减 主成分回归（PCR）和偏最小二乘回归（PLS）的方法。 把p个预测变量投影到m维空间（m 3、岭回归、lasso回归和elastic net三种正则化方法[] （1）岭回归[] 最小二乘估计是最小化残差平方和（RSS）： 岭回归在最小化RSS的计算里加入了一个收缩惩罚项 岭回归优于最小二乘回归的原因在于方差-偏倚选择。随着lambda的增大，模型方差减小而偏倚（轻微的）增加。 从上面的图可以看到，最佳的lambda取值就是在红色曲线的最低点处，对应着变量个数是11个。它右侧的另一条虚线是在其一倍SE内的更简洁的模型（变量个数为9）。
2K10发布于 2019-02-13 - 来自专栏网络收集
Vue CLI
2、Vue CLI 什么是Vue CLI 如果你只是简单写几个Vue的Demo程序, 那么你不需要Vue CLI. CLI是什么意思? CLI是Command-Line Interface, 翻译为命令行界面, 但是俗称脚手架. Vue CLI是一个官方发布 vue.js 项目脚手架 使用 vue-cli 可以快速搭建Vue开发环境以及对应的webpack配置. 注意：上面安装的是Vue CLI3的版本，如果需要想按照Vue CLI2的方式初始化项目时不可以的。 image.png Vue CLI2初始化项目 vue init webpack my-project Vue CLI3初始化项目 vue create my-project
1.2K10编辑于 2022-05-29 - 来自专栏黄腾霄的博客
2019-11-12-C++CLI的枚举在C#中看不见
最近在搞C++/CLI，发现我在其中写的enum居然不见了，这个是怎么回事呢。 ---- 首先我们在C++/CLI项目里面建立一个enum ? 实际上在C++/CLI中我们可以定义两种枚举类型，不加class关键字的是标准C++枚举，加class关键字的是托管枚举或者叫做CLR枚举。 对于C++/CLI来说，作为一种跨边界语言，能够轻松的在托管和非托管语言中自由切换，但是对于C#项目（.NET）项目来说，必须使用CLS兼容的托管枚举。 ---- 参考文献： visual studio - C++/CLI enum not showing up in C# with reference to C++/CLI project - Stack /post/C++CLI%E7%9A%84%E6%9E%9A%E4%B8%BE%E5%9C%A8C-%E4%B8%AD%E7%9C%8B%E4%B8%8D%E8%A7%81.html ，以避免陈旧错误知识的误导
1K20发布于 2020-06-10 - 来自专栏SmartSi
ZooKeeper CLI
ZooKeeper 命令行界面（CLI）用于与 ZooKeeper 集合进行交互以进行开发。它有助于调试和解决不同的选项。 你可以通过退出 ZooKeeper CLI，然后重新打开 CLI 来尝试。 2. 获取数据 返回 znode 的相关数据以及指定 znode 的元数据。 CLI 还用于分配监视器以显示数据相关的通知。 完成此操作后，你可以使用 get CLI 命令检查数据。 原文：ZooKeeper CLI
1.4K30发布于 2019-11-27 - 来自专栏全栈开发那些事
Vue CLI
Vue CLI 1、简介 2、安装 3、创建项目 3.1 vue create 1、简介 在开发大型单页应用时，需要烤炉项目的组织结构、项目构建、部署、热加载、代码单元测试等多方面与核心业务无关的事情 在Vue.js环境中，这个脚手架工具就是Vue CLI，利用这个工具，可以自动生成一个基于Vue.js地单页应用地脚手架项目。 2、安装 可以使用下面的命令安装Vue CLI npm install -g @vue/cli # 或者 yarn global add @vue/cli Vue CLI在Vue项目开发中基本是必需的， 安装完成之后，可以使用下面的命令检查版本是否正确，同时验证Vue CLI是否安装成功。 3、创建项目 安装完Vue CLI，就可以开始创建一个脚手架项目了。 存放项目中的静态资源，如CSS、图片等 | |--logo.png //logo图片 | |--components //编写的组件放在这个目录下 | |--HelloWorld.vue //Vue CLI
1.6K20编辑于 2023-02-25 - 来自专栏Pulsar-V
C++CLI（一）-C++CLI简介
##CLI类型 例1是一个模拟二维点的类。 句柄在此是一个C++/CLI术语，CLI实际上把它称为“引用”，但C++已经有引用了，这是两回事。 const类型的句柄是允许的，但它们只能被用在一个C++/CLI上下文之内，而不能与任何CLI标准库函数一起使用的，因为目前CLI中还未有const这个概念，未来版本的C++/CLI有可能会全面支持const 在目前的C++/CLI版本中，引用类的对象只能驻留于堆栈或托管堆中，与其他CLI语言不同，C++/CLI可以让你编写能被传递，并通过复制构造函数或 = 操作符赋值的引用类，还可以重载Clone函数，实现虚拟 以下是程序的输出： p1 = (0,0), p1's HashCode = 0 p1 = (5,7), p1's HashCode = 11 p1 Equals Point(9, 1) = False
3.7K30发布于 2019-03-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号