- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
学习回归 1-5 多重回归
多重回归 之前我们是根据广告费来预测点击量，但是在实际中可能要解决的很多问题是变量超过两个的复杂问题。 }\frac{\partial f_{\theta}(x)}{\partial\theta_j} 其中 \frac{\partial E}{\partial f_{\theta}(x)} 在学习回归
54130编辑于 2022-11-08 - 来自专栏Michael阿明学习之路
5. 多元线性回归
简单线性回归 r-squared值 0.809726797707665 二次多项式回归 r-squared值 0.8675443656345054 # 决定系数更大 当改为 3 阶拟合时，多项式回归 r-squared 线性回归应用举例（酒质量预测） 酒的质量预测（0-10的离散值，本例子假定是连续的，做回归预测） 特征：11种物理化学性质 4.1 数据预览 # 酒质量预测 import pandas as pd data regressor.predict(X_test) print("决定系数：", regressor.score(X_test,y_test)) # 决定系数： 0.3602241149540347 5 ) # 0.2900416288421962 scores # array([0.13200871, 0.31858135, 0.34955348, 0.369145 , 0.2809196 ]) 5. eta0=0.01, power_t=0.25, early_stopping=False, validation_fraction=0.1, n_iter_no_change=5,
1.8K20发布于 2020-07-13 - 来自专栏技术杂记
RabbitMQ 的CLI管理工具 rabbitmqadmin（5）
=================================================================================================>] 5,088,884
56910发布于 2021-11-25 - 来自专栏草根专栏
使用Angular CLI生成 Angular 5项目
Angular CLI 官网: https://github.com/angular/angular-cli 安装angular cli: npm install -g @angular/cli 不过首先要确保您安装了比较新版本的 接下来看看angular-cli.json这个文件: angular-cli.json: 它是angular cli针对该项目的配置文件. ? 另外一种配置CLI的方法 ng set. 前面我介绍了使用ng new参数和修改angular-cli.json文件的方式来配置cli, 下面我介绍下通过ng set <属性> <值> 来配置cli. 接下来还会写几篇angular cli的文章.
3.5K30发布于 2018-03-29 - 来自专栏WD学习记录
机器学习 学习笔记（5） 线性回归
，增加了计算量，因为对每个点做预测时都需要用到整个数据集 岭回归 简单来说，岭回归就是在 ? 岭回归的计算公式为： ? 岭回归最先用来处于特征多于样本数的情况，现在也用于在估计中加入偏差，从而得到更高的估计，这里通过引入 ? 代码如下： # 代码和数据集主要源自于机器学习实战 # 岭回归 # 用于计算回归系数， # 实现了给定了lambda下的岭回归求解 # 如果没有指定lambda，默认为0.2 def ridgeRegres ： image.png 图像为回归系数与 ? 参考： 《机器学习》 《机器学习实战》 机器学习：线性回归（Linear Regression）小项目 机器学习之线性回归、多项式回归 线性回归原理和实现基本认识
1.1K50发布于 2018-09-03 - 来自专栏机器学习养成记
机器学习第5天：逻辑回归
四、逻辑回归是什么 五、利用matplotlib实现可视化 1. 逻辑回归假设因变量 y 服从伯努利分布，而线性回归假设因变量 y 服从高斯分布。（这部分暂时了解了即可） 五、利用matplotlib实现可视化 1. 例如： arr = np.arange(15).reshape(3,5) """ 输出： array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9] , [10, 11, 12, 13, 14]]) """ arr.T """ 输出： array([[ 0, 5, 10], [ 1, 6, 11], [ 2, 7, 12], [ 3, 8, 13], [ 4, 9, 14]]) """ （5）.meshgrid()： meshgrid函数用两个坐标轴上的点在平面上画网格
89320发布于 2021-10-27 - 来自专栏明天依旧可好的专栏
机器学习第5天：逻辑回归
四、逻辑回归是什么 简单来说， 逻辑回归（Logistic Regression）是一种用于解决二分类（0 or 1）问题的机器学习方法，用于估计某种事物的可能性。 逻辑回归假设因变量 y 服从伯努利分布，而线性回归假设因变量 y 服从高斯分布。（这部分暂时了解了即可） 这篇博客简单介绍一下逻辑回归是个什么东西，下一篇博客将展开对逻辑回归的具体介绍。 例如： arr = np.arange(15).reshape(3,5) """ 输出： array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9] , [10, 11, 12, 13, 14]]) """ arr.T """ 输出： array([[ 0, 5, 10], [ 1, 6, 11], [ 2, 7, 12], [ 3, 8, 13], [ 4, 9, 14]]) """ （5）.meshgrid()： meshgrid函数用两个坐标轴上的点在平面上画网格
84040发布于 2019-01-22 - 来自专栏一日一工具
5分钟系列之六Jenkins cli介绍
文档版本 v 1.0 更新日期 2017.12.25 作者 追马 扩散范围 全网 一、准备工作 1.1、环境准备 1.2、推荐阅读 二、Jenkins cli 2.1、Jenkins cli的介绍 2.2 、jenkins cli的使用场景 2.3、Jenkins cli的使用演示 三、参考文档 四、下期预告 阅读本文能学到的知识点 有小伙伴后台留言说能不能先讲讲jenkins快速创建job的铺垫知识 cli 2.1、Jenkins cli的介绍 2.1.1、介绍[就不翻译了吧～] Jenkins has a built-in command line interface that allows you . 2.1.2、如何获取jenkins-cli.jar wget http://your-jenkins-ip:8080/jnlpJars/jenkins-cli.jar 2.1.2、使用方式 方式一 如果你想，你也可以编写属于自己的jenkins cli工具 2.3、Jenkins cli的使用演示 2.3.1、既然Jenkins cli那么好用，如果不利用起来，那岂不是很浪费 批量安装插件 [
84760发布于 2020-07-03 - 来自专栏啄木鸟软件测试
性能回归测试的5大常见误区
引言：被忽视的‘沉默风险’ 在敏捷迭代加速、微服务架构普及的今天，功能回归测试早已成为研发流程标配，而性能回归测试却常被当作‘可选项’甚至‘等上线后再看’。 建议在K8s集群中部署Chaos Mesh，对回归测试环境主动注入网络分区、Pod驱逐等故障，验证降级能力是否同步回归。 性能回归需构建多维基线：不仅要跟踪P50/P90/P99延迟，还需监控资源水位（CPU steal time、内存页交换率）、错误模式（5xx分布、gRPC状态码）、稳定性指标（连续3次压测标准差＞15% 结语：让性能回归成为研发的‘呼吸节律’ 性能回归测试不是一次性的质量门禁，而是贯穿需求评审、编码、构建、部署的持续反馈环。它需要打破‘测试兜底’的旧范式，建立‘人人对性能负责’的新契约。 下一期，我们将详解《如何用GitOps驱动自动化性能回归流水线》，敬请关注啄木鸟软件测试。
17300编辑于 2026-09-09 - 来自专栏开源技术小栈
TP5系列 | Console 命令行（CLI模式）
创建指令 cd tp5 php think make:command commom/TestJobs 生成指令 文件TestJobs.php <? 00][ error ] 自定义命令行：app\command\TestJobs::helloEdit error 命令行挂起守护进程执行 nohup /usr/bin/php /var/www/tp5/ } 1、可以自定义一个命令行Jobs，参数redis-notify-key-events 2、守护进程订阅消息：nohup /usr/local/php/bin/php /var/www/tp5/
3.2K20发布于 2019-08-06 - 来自专栏AILearning
【机器学习实战】第5章 Logistic回归
第5章 Logistic回归 <script type="text/javascript" src="http://cdn.mathjax.org/mathjax/latest/MathJax.js 步长通俗的理解，100米，如果我一步走10米，我需要走10步；如果一步走20米，我只需要走<em>5</em>步。这里的一步走多少米就是步长的意思。 ▽f(w)：代表沿着梯度变化的方向。 测试算法: 使用 Logistic <em>回归</em>进行分类 def testLR(): # 1.收集并准备数据 dataMat, labelMat = loadDataSet("input/5.Logistic 完整代码地址: https://github.com/apachecn/MachineLearning/blob/master/src/python/5.Logistic/logistic.py 项目案例 Logistic/horseColicTraining.txt') frTest = open('input/5.Logistic/horseColicTest.txt') trainingSet
1.8K70发布于 2018-01-05 - 来自专栏AI机器学习与深度学习算法
机器学习入门 5-5 衡量线性回归指标mse,rmse,mae
本小节主要介绍衡量线性回归算法的一些指标。 回归问题如何评价？ ? 上面提到的是在分类问题上的评价标准：分类精度，在回归问题上，由于样本标签是连续的，因此不能使用分类精度作为模型的评价标准。 下面使用简单线性回归算法为例，当然无论是分类问题还是回归问题，我们都需要将数据集划分为训练集和测试集，因此对于简单线性回归来说，也分成两个部分： 目标是找到a和b，使得优化目标函数在训练集上尽可能小，得到使得优化函数最小的参数 这里要注意： 前面介绍线性回归算法的时候，在训练过程中的损失函数或者目标函数没有定义成MAE平均绝对值误差，是因为绝对值不是一个处处可导的函数，所以他不方便用来求极值，但是这个方法完全可以评价线性回归算法 在前面小节中将衡量分类的衡量指标分类精度放在了playML包下的metrics模块下，因此将回归算法的三个衡量指标也放在这个模块下： ? 在jupyter中调用封装好的回归问题的衡量指标： ?
3.8K00发布于 2019-11-13 - 来自专栏数据分析1480
【Python可视化5】Seaborn之线性回归
注：所有代码均在IPython notebook中实现 ---- lmplot(回归图) lmplot是用来绘制回归图的，通过lmplot我们可以直观地总览数据的内在关系 先总览一下stripplot的 API： seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None, size=5, aspect font_scale=1.5,style="white") 本次试用的数据集是Seaborn内置的tips小费数据集： 1data=sns.load_dataset("tips") 2data.head(5) , 2 data=data,row="sex", 3 col="smoker",sharex=False) 4#可以看到设置为False时，各个子图的x轴的 5# order:控制进行回归的幂次（一次以上即是多项式回归） 1sns.lmplot(x="total_bill",y="tip", 2 data=data,order=1) #一元线性回归
1.7K00发布于 2019-12-24 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。 转换为 PDF（LibreOffice headless）soffice --headless --convert-to pdf weekly_report.md --outdir ./# 5. 3Implement（实现）构建带 REPL、JSON 输出、撤销/重做的 Click CLIPhase 4Plan Tests（规划测试）创建 TEST.md，包含单元 + E2E 测试计划Phase 5Write 七、实战：用 CLI-Anything 5 分钟把 LibreOffice 变成 Agent 可控工具前置条件已安装 Claude Code（或其他支持插件的 Agent 平台）；已安装 LibreOffice \ -p pdf --overwrite步骤 5：JSON 模式供 Agent 消费cli-anything-libreoffice --json document info --project report.json
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。 [] （5）岭回归与lasso算法[] 这两种方法的共同点在于，将解释变量的系数加入到Cost Function中，并对其进行最小化，本质上是对过多的参数实施了惩罚。而两种方法的区别在于惩罚函数不同。 5、变量选择 当我们使用数据训练分类器的时候，很重要的一点就是要在过度拟合与拟合不足之间达成一个平衡。防止过度拟合的一种方法就是对模型的复杂度进行约束。模型中用到解释变量的个数是模型复杂度的一种体现。 关于这个算法见[5][]。 关于glmnet包的细节可参考[4]，这篇文献同时也是关于lasso的一个不错的文献导读。
3.1K40发布于 2018-03-16 - 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 FrontendDesignSkill##设计原则1.禁止使用Inter、Roboto等过度使用的字体2.在写任何代码前，先确定一个独特的设计方向...从性能角度看，每个技能在元数据扫描阶段仅消耗约100Token，激活时加载不超过5KToken
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。 [] （5）岭回归与lasso算法[] 这两种方法的共同点在于，将解释变量的系数加入到Cost Function中，并对其进行最小化，本质上是对过多的参数实施了惩罚。而两种方法的区别在于惩罚函数不同。 5、变量选择 当我们使用数据训练分类器的时候，很重要的一点就是要在过度拟合与拟合不足之间达成一个平衡。防止过度拟合的一种方法就是对模型的复杂度进行约束。模型中用到解释变量的个数是模型复杂度的一种体现。 关于这个算法见[5][]。 关于glmnet包的细节可参考[4]，这篇文献同时也是关于lasso的一个不错的文献导读。
2K10发布于 2019-02-13 5 个玩法，让 Agent 直接操作桌面软件：CLI-Anything
我们挑了5个软件，在容器里从装软件一路跑到出成品，下面一个个讲。[实测]5个玩法的成品拼在一起，右下角是从装软件到出成品的耗时（走了缓存的数）。 有一点要先说清楚：cli-hubinstall装的是默认分支上最新的harness，不是某个固定版本。下面5个玩法都是在这个前提下跑的。 玩法5：搭一个3D场景再渲染（Blender，98秒）压轴的是Blender，也是5个里最花时间的，98秒里大约60秒在渲染。Blender4.2.23用的是官网官方包。 5个玩法，其实是同一个套路回头看这5个玩法，套路是一样的：一个项目文件记住全部状态。每条命令读项目文件、改一处、写回去。中途断了，接着发下一条命令就行。每条命令都能输出JSON。 这5个玩法全在容器里完成，没有桌面。先别用的情况：要求版本完全可复现的场景。cli-hubinstall装的是默认分支最新的harness，需要固定版本就自己按commit安装；软件本体没法装的环境。
14610编辑于 2026-10-03- 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 - 来自专栏趣Python
机器学习（5）手推线性回归模型（多变量）
在单变量的情况下，我们要求的参数只有2个，在多变量的情况下，我们要求的参数会有多个，单变量可以看成是多变量的特例。
83030发布于 2020-06-02
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