- 综合排序
- 最热优先
- 最新优先
- 来自专栏Michael阿明学习之路
6. 逻辑回归
本文为 scikit-learn机器学习（第2版）学习笔记 逻辑回归常用于分类任务 1. 逻辑回归二分类 《统计学习方法》逻辑斯谛回归模型（ Logistic Regression，LR） 定义：设 XXX 是连续随机变量， XXX 服从 logistic 分布是指 XXX 具有下列分布函数和密度函数 在逻辑回归中，当预测概率 >= 阈值，预测为正类，否则预测为负类 2. 垃圾邮件过滤 从信息中提取 TF-IDF 特征，并使用逻辑回归进行分类 import pandas as pd data = pd.read_csv("SMSSpamCollection", delimiter
1.1K20发布于 2020-07-13 - 来自专栏神经网络和深度学习
6 逻辑回归(Logistic Regression)
6 逻辑回归(Logistic Regression) 6.1 分类(Classification) 6.2 假设函数表示(Hypothesis Representation) 6.3 决策边界 (Regularized Linear Regression) 7.4 逻辑回归正则化(Regularized Logistic Regression) 6 逻辑回归(Logistic Regression 在未加入偏差项时，线性回归算法给出了品红色的拟合直线，若规定 应用 sigmoid 函数，则逻辑回归模型：hθ(x)=g(θTx)=11+e−θTx 逻辑回归模型中，hθx 的作用是，根据输入 x 以及参数 6.3 决策边界(Decision Boundary) 决策边界的概念，可帮助我们更好地理解逻辑回归模型的拟合原理。 在逻辑回归中，有假设函数 hθx=g(z)=gθTx。 上面讨论了逻辑回归模型中线性拟合的例子，下面则是一个多项式拟合的例子，和线性回归中的情况也是类似的。
1.2K60发布于 2020-07-02 - 来自专栏WD学习记录
机器学习 学习笔记（6） Logistic 回归
线性模型可以进行回归学习，但是若要做分类任务该怎么办，只需要找一个单调可微函数将分类任务的真实标记y与线性回归的预测值联系起来。 对数几率函数（logistic function）（逻辑斯蒂回归）： ? 是用线性回归模型的预测结果去逼近真实标记的对数几率，因此，其对应模型称为对数几率回归。需要注意的是名字带有回归，实际上式分类方法。 上述介绍的是二项分类模型，用于二类分类，可以将其推广为多项逻辑斯蒂回归模型，用于多类分类，假设离散型随机变量Y的取值集合是{1，2，... ，K}，那么多项逻辑斯蒂回归模型是： ? ? ， ? 参考： 《机器学习》 《统计学习方法》 《机器学习实战》 逻辑回归(logistic regression)的本质——极大似然估计
94020发布于 2018-09-03 - 来自专栏技术杂记
RabbitMQ 的CLI管理工具 rabbitmqadmin（6）
rabbitmq_management_agent rabbitmq_management Applying plugin configuration to rabbit@h102... started 6
72910发布于 2021-11-25 - 来自专栏除除的专栏
Workbox v6 (CLI + `workbox-config.js`) 实用指南
本文介绍 Workbox v6 在 CLI 环境中的使用方法，涵盖 generateSW 与 injectManifest 两种模式，说明缓存策略、运行时缓存与预缓存机制，以及 skipWaiting CLI 提供两种模式:generateSW: 基于配置自动生成 SW。injectManifest: 使用自定义 SW 文件。 2) 安装 (v6)如果项目尚未安装:npm i -D workbox-cli@^6.5.4npm i -D workbox-routing@^6.5.4 workbox-strategies@^6.5.4 3) CLI 配置文件基础 (workbox-config.js)在项目根目录创建配置文件:module.exports = { globDirectory: 'dist/', globPatterns 6) injectManifest 模式 (v6)该模式适用于需要自定义 Service Worker 逻辑的场景。
34710编辑于 2026-05-06 - 来自专栏AI机器学习与深度学习算法
学习回归 1-6 随机梯度下降法
在介绍回归时，我们使用的是平方误差的目标函数，这个函数形式简单，所以使用梯度下降算法没有出现问题，但是目标函数如果稍微复杂一点，梯度下降算法就会容易陷入局部最优解。比如下面这种比较复杂的目标函数。
1K20编辑于 2022-11-08 - 来自专栏菩提树下的杨过
机器学习笔记(6)：多类逻辑回归-使用gluon
上一篇演示了纯手动添加隐藏层，这次使用gluon让代码更精减，代码来自：https://zh.gluon.ai/chapter_supervised-learning/mlp-gluon.html from mxnet import gluon from mxnet import ndarray as nd import matplotlib.pyplot as plt import mxnet as mx from mxnet import autograd def transform(data,
89391发布于 2018-01-18 - 来自专栏NowlNowl_AI
机器学习第6天：线性回归模型正则化
在损失函数中加入一个正则项，使模型减少损失的同时还要降低模型复杂度 它往往给模型约束，来使它无法完全迎合训练集数据 在本文中我们将看到三种正则化方法 三种方法思想差不多，只是约束模型复杂度的方法不同 岭回归 岭回归成本函数 我们先前已经知道MSE损失函数，这个公式后面加的项就叫作正则项，岭回归的正则项是l2范数的平方的一半 此时模型训练时就不能只考虑MSE函数的损失了，还必须减小w参数的大小（降低模型复杂度 （在这个实例中当然效果不好，这里只是为了演示它的作用，在实际情况中我们应该用指标测试模型是否过拟合了，再尝试使用岭回归） Lasso回归 Lasso回归损失函数 Lasso回归公式和岭回归类似，只不过它的正则项是 l1范数，它与岭回归的一个区别是它倾向于完全消除掉最不重要的特征 则正则项为 效果与岭回归相同 核心代码 以下是sklearn库使用Lasso回归的基本代码 from sklearn.linear_model Lasso回归的中间地带，你可以控制r来控制其他两种正则化方法的混合程度，r为0时，弹性网络就是岭回归，为1时，弹性网络就是Lasso回归 正则项为 核心代码 以下是sklearn库使用弹性网络的基本代码
50010编辑于 2024-01-18 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。 V6 Shell首个 UNIX Shell，奠定交互式命令执行基础1977Bourne Shell (sh)引入结构化脚本与控制流1983Korn Shell (ksh)更强大的脚本与性能1989Bash 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 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 Tests（编写测试）实现完整测试套件Phase 6Document 输出示例：{ "name": "2026 年 Q1 产品总结", "type": "writer", "pages": 1, "elements": 3, "modified": true}步骤 6：
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。 6、展望 将Lasso应用于时间序列。将Lasso思想应用于AR(p)、ARMA(p)等模型，利用Lasso方法对AR(p)、ARMA(p)等模型中的变量选择，并给出具体的算法。
3.1K40发布于 2018-03-16 - 来自专栏地方网络工作室的专栏
Python3 初学实践案例（6）终极 CLI 密码生成程序实现
Python3 初学实践案例（6）终极 CLI 密码生成程序实现 在前面一章的学习中，我已经完成了一个一定扔出 6 的生成密码算法实现。
88780发布于 2018-01-08 - 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。 6、展望 将Lasso应用于时间序列。将Lasso思想应用于AR(p)、ARMA(p)等模型，利用Lasso方法对AR(p)、ARMA(p)等模型中的变量选择，并给出具体的算法。
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 - 来自专栏机器学习与统计学
100天搞定机器学习|Day4-6 逻辑回归
逻辑回归avik-jain介绍的不是特别详细，下面再唠叨一遍这个算法。 而逻辑回归对于这样的问题会更加合适。 ? 也就是说，逻辑回归是用来得到样本属于某个分类的概率。 ? ? 2.评价 回想起之前线性回归中所用到的损失函数： ? 然后导入逻辑回归类。下一步我们将创建该类的对象，它将作为我们训练集的分类器。 现在我们将评估逻辑回归模型是否正确的学习和理解。因此这个混淆矩阵将包含我们模型的正确和错误的预测。
89560发布于 2019-04-08 - 来自专栏趣Python
机器学习（6）手推线性回归模型（梯度下降法）
今天我们给出梯度下降（Gradient Descent）的推导示例，通过一个简单的例子让我们理解GD的流程和本质。
1.4K20发布于 2020-06-02 - 来自专栏SmartSi
ZooKeeper CLI
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。 示例： get /first_znode0000000001 输出： [zk: 10.86.218.105:2181(CONNECTED) 6] get /first_znode0000000001 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
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。 这里使用方向键选择到第3项，然后按enter键，出现项目的配置选项 选项 说明 Choose Vue version 选择Vue的版本 Babel 转码器，用于将ES6代码转为ES5代码，从而在现有环境下执行 TypeScript TypeScript是JavaScript的一个超集，主要提供了类型系统和对ES6的支持。
1.6K20编辑于 2023-02-25 - 来自专栏Pulsar-V
C++CLI（一）-C++CLI简介
y = val; } } //定义实例构造函数 /*5a*/ Point() { /*5b*/ X = 0; /*5c*/ Y = 0; } /*6a */ Point(int xor, int yor) { /*6b*/ X = xor; /*6c*/ Y = yor; } //定义实例方法 /*7a*/ void 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
3.7K30发布于 2019-03-12 - 来自专栏向前进
vue-cli脚手架npm相关文件解读（6）build.js
、build/webpack.prod.conf.js 3、build/webpack.dev.conf.js 4、build/utils.js 5、build/vue-loader.conf.js 6、
1.1K80发布于 2018-04-16
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