- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术杂记
RabbitMQ 的CLI管理工具 rabbitmqadmin（8）
Producer、Exchange、Binding、Queue、Consumer 之间的关系
37620发布于 2021-11-25 - 来自专栏Python编程爱好者
8个线性回归核心点！！
核心点：8 个线性回归核心要点总结！ 很多初学者，从机器学习开始的那一刻，必须是先把线性回归搞定。 基本原理方面，其实比较简单，但是如果完整的来论述的话，东西还是需要捉摸几天的。 今天咱们总结了关于线性回归的 8 个方面内容。 线性关系假设 参数估计 评估指标 多元线性回归 特征选择 正则化技术 模型诊断 预测与推断 下面，咱们从这 8 个方面，详细的把每一部分都论述一遍。 mean_squared_error(Y, Y_pred) print("Mean Squared Error:", mse) # 可视化 fig = plt.figure(figsize=(10, 8) X_test_selected, Y_train, Y_test) mse_values.append(mse) # 可视化预测结果 plt.figure(figsize=(8, 8. 预测与推断 预测与推断能够利用模型对未知数据进行预测，并对自变量与因变量之间的关系进行推断。 预测（Prediction）： 在线性回归中，预测是指利用已训练的模型对未知数据进行输出值的估计。
2.3K10编辑于 2024-05-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 8-8 模型泛化与岭回归
Part2：使用多项式回归的方式对生成的测试用例进行预测，求出相应的均方误差值，并绘制拟合曲线。 ? 绘制多项式回归阶数为20的拟合曲线。 ? ? 对于岭回归而言，sklearn将岭回归封装在linear_model包下Ridge类，创建岭回归和其他机器学习模型的创建一样，对于岭回归来说，需要传入模型正则化的比重α值。 Step1：岭回归超参数α取较小值0.0001。 ? 相比于不使用岭回归的拟合曲线，使用岭回归的拟合曲线要平缓的多。 ? Step2：岭回归超参数α取值为1。 ? 此时得到的均方误差值为1.18，比刚才α值设置为0.0001时候又好了一些。 下一小节会介绍另一种模型正则化的方法~LASSO回归。
1.5K20发布于 2020-01-14 - 来自专栏希里安
Gemini CLI 与 Rovo Dev CLI 的 AI 魔法:一键生成 K8s 管理平台
Gemini CLI 与 Rovo Dev CLI 使用指南：解锁 AI 终端 相信最近大家都看到了各种AI终端工具甚至已经用了有一段时间了，说起终端，相信各位程序员，以及IT行业从业者都多少接触过。 Rovo Dev CLI：如何选择？ 自动化脚本： • 将 Gemini CLI 或 Rovo Dev CLI 集成到 CI/CD 流程中，自动生成测试用例或文档。 ，代码质量和生成速度还是Rovo Dev CLI更强一点 立即尝试： • Gemini CLI：访问https://github.com/google-gemini/gemini-cli安装并开始探索 有了以上智能终端，希里安周末花了一下午时间，开发出了具备多级群管理功能的k8s管理平台，目前pod资源是完全可用的，下面就给大家预览图看看，后期分享如何一步步实现。
1.8K11编辑于 2025-07-08 - 来自专栏SuperFeng
机器学习系列8：逻辑回归的代价函数
还记得我们原来在线性回归中学过的代价函数吗？ ? 我们把黄色部分用函数的形式来表示： ? 如果我们在逻辑回归中也用这个代价函数去拟合参数行不行呢？答案是不行。 因为这个代价函数在逻辑回归中的图像是这个样子的： ? 这是一个非凸函数，有多个局部最优解，运用梯度下降算法并不会收敛到它的全局最优解，这样就达不到我们预期的效果。那该怎么办呢？ 让我们来学习逻辑回归中的代价函数吧。 逻辑回归的代价函数是这样的： ? 让我们具体的看一下它的工作原理。 当 y = 1 时，Cost(hθ(x), y) 函数的图像是一个对数函数，如下： ? 你是不是想到了我们之前在线性回归中学到的减小代价函数去拟合参数 θ 的方法——梯度下降。在逻辑回归中，我们依然可以运用这个方法。 ? 与之前线性回归不同的是，这里的 hθ (x) 变成了逻辑回归算法的假设函数 hθ (x)
1K20发布于 2019-09-26 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
Lasso 的基本思想是在回归系数的绝对值之和小于一个常数的约束条件下，使残差平方和最小化，从而能够产生某些严格等于0 的回归系数，得到可以解释的模型。 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。
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
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
Lasso 的基本思想是在回归系数的绝对值之和小于一个常数的约束条件下，使残差平方和最小化，从而能够产生某些严格等于0 的回归系数，得到可以解释的模型。 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。
2K10发布于 2019-02-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 5-8 实现多元线性回归
1 多元线性回归 前面介绍了多元线性回归求解的一种方式：通过正规方程求解参数。 ? ? 其中θ包含（θ0~θn）一共(n+1)个参数值，但是对于实际的样本来说，一共有n个维度，其中θ0是截距intercept，在有的时候在进行线性回归的时候，最终返回给用户的时候，有可能不是将整个θ返回给用户的 所以在我们自己封装多元线性回归的时候就采用分开的方式。当然在sklearn中也是采用这样的封装方式。 2 封装自己的多元线性回归类 首先在“playML”包下创建一个“LinearRegression.py”文件，此文件存放广义线性模型，也就是支持多元线性回归的方式，当然对于只有一个特征的简单线性回归问题 ，也可以将数据整理成矩阵的形式也可以传入LinearRegression来求解，换句话说，多元线性回归问题当然可以解决简单线性回归问题。
58700发布于 2019-11-13 - 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。 完成此操作后，你可以使用 get CLI 命令检查数据。 0x10000000a cversion = 1 dataVersion = 0 aclVersion = 0 ephemeralOwner = 0x0 dataLength = 24 numChildren = 1 8. 原文：ZooKeeper CLI
1.4K30发布于 2019-11-27 - 来自专栏CDA数据分析师
Python环境下的8种简单线性回归算法
本文中，作者讨论了 8 种在 Python 环境下进行简单线性回归计算的算法，不过没有讨论其性能的好坏，而是对比了其相对计算复杂度的度量。 参考：开发者必读：计算机科学中的线性代数） 详细描述参考：https://en.wikipedia.org/wiki/Linear_least_squares_%28mathematics%29 方法 8： 在本文中，我们讨论了 8 种进行简单线性回归的方法。其中大部分方法都可以延伸到更一般的多变量和多项式回归问题上。我们没有列出这些方法的 R² 系数拟合，因为它们都非常接近 1。 对于（有百万人工生成的数据点的）单变量回归，回归系数的估计结果非常不错。 这篇文章首要目标是讨论上述 8 种方法相关的速度/计算复杂度。 原文链接：https://medium.freecodecamp.org/data-science-with-python-8-ways-to-do-linear-regression-and-measure-their-speed-b5577d75f8b
2.3K90发布于 2018-02-05 - 来自专栏北京马哥教育
Python环境下的8种简单线性回归算法
来源：机器之心 ID：almosthuman2014 本文中，作者讨论了 8 种在 Python 环境下进行简单线性回归计算的算法，不过没有讨论其性能的好坏，而是对比了其相对计算复杂度的度量。 参考：开发者必读：计算机科学中的线性代数） 详细描述参考：https://en.wikipedia.org/wiki/Linear_least_squares_%28mathematics%29 方法 8： 在本文中，我们讨论了 8 种进行简单线性回归的方法。其中大部分方法都可以延伸到更一般的多变量和多项式回归问题上。我们没有列出这些方法的 R² 系数拟合，因为它们都非常接近 1。 对于（有百万人工生成的数据点的）单变量回归，回归系数的估计结果非常不错。 这篇文章首要目标是讨论上述 8 种方法相关的速度/计算复杂度。 原文链接：https://medium.freecodecamp.org/data-science-with-python-8-ways-to-do-linear-regression-and-measure-their-speed-b5577d75f8b
1.6K00发布于 2018-07-31 - 来自专栏编程
Python环境下的8种简单线性回归算法
选自Medium 作者：Tirthajyoti Sarkar 机器之心编译 参与：晏奇、刘晓坤 本文中，作者讨论了 8 种在 Python 环境下进行简单线性回归计算的算法，不过没有讨论其性能的好坏，而是对比了其相对计算复杂度的度量 如本文所示，在线性回归模型中，「线性」一词指的是回归系数，而不是特征的 degree。 参考：开发者必读：计算机科学中的线性代数） 详细描述参考：https://en.wikipedia.org/wiki/Linear_least_squares_%28mathematics%29 方法 8： 在本文中，我们讨论了 8 种进行简单线性回归的方法。其中大部分方法都可以延伸到更一般的多变量和多项式回归问题上。我们没有列出这些方法的 R² 系数拟合，因为它们都非常接近 1。 对于（有百万人工生成的数据点的）单变量回归，回归系数的估计结果非常不错。 这篇文章首要目标是讨论上述 8 种方法相关的速度/计算复杂度。
2.3K90发布于 2018-01-11 - 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
*8d*/ if (GetType() == obj->GetType()) { /*8e*/ Point^ p = static_cast<Point^>( 对一个引用类来说，相等性是通过函数Equals来实现的，而不是重载==操作符，如标记8(a)所示。 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 在标记8(b)中，我们把obj与nullptr作一比较。 为防止自身比较，在标记8(c)中，把obj与this作一对比。
3.7K30发布于 2019-03-12 - 来自专栏AILearning
【机器学习实战】第8章 预测数值型数据：回归
第8章 预测数值型数据：回归 <script type="text/javascript" src="http://cdn.mathjax.org/mathjax/latest/MathJax.js? * (xMat.T*yMat) return ws def regression1(): xArr, yArr = loadDataSet("input/8. ], yHat) plt.show() 完整代码地址: https://github.com/apachecn/MachineLearning/blob/master/src/python/8. c='red') plt.show() 完整代码地址: https://github.com/apachecn/MachineLearning/blob/master/src/python/8. 通过把一些特征的回归系数缩减到 0 ，同时也就减小了模型的复杂度。例子中有 8 个特征，消除其中两个后不仅使模型更易理解，同时还降低了预测误差。
2.4K60发布于 2018-01-05 - 来自专栏机器之心
Python环境下的8种简单线性回归算法
选自Medium 作者：Tirthajyoti Sarkar 机器之心编译 参与：晏奇、刘晓坤 本文中，作者讨论了 8 种在 Python 环境下进行简单线性回归计算的算法，不过没有讨论其性能的好坏，而是对比了其相对计算复杂度的度量 参考：开发者必读：计算机科学中的线性代数） 详细描述参考：https://en.wikipedia.org/wiki/Linear_least_squares_%28mathematics%29 方法 8： 在本文中，我们讨论了 8 种进行简单线性回归的方法。其中大部分方法都可以延伸到更一般的多变量和多项式回归问题上。我们没有列出这些方法的 R² 系数拟合，因为它们都非常接近 1。 对于（有百万人工生成的数据点的）单变量回归，回归系数的估计结果非常不错。 这篇文章首要目标是讨论上述 8 种方法相关的速度/计算复杂度。 原文链接：https://medium.freecodecamp.org/data-science-with-python-8-ways-to-do-linear-regression-and-measure-their-speed-b5577d75f8b
1.7K50发布于 2018-05-10 - 来自专栏ionic3+
自建node的简单cli——san-cli
公司的业务有部分需要兼容IE8，虽然公司内部已有相应的框架，但是百度的San还是引起了个人的兴趣，奈何San这个东西，一年多了配套还有待完善，为了快速构建项目，自建一个简单cli，步骤如下： 创建cli 项目 创建san-cli目录，并使用npm init创建package.json文件： mkdir san-cli && cd san-cli npm init 在交互询问中输入相应参数，其中name参数检验 npm中是否已占用，如创建好的package.json文件如下，其中bin为cli调用的命令名称，main为入口js： { "name": "my-san-cli", "version": "0.0.1 " }, "keywords": [ "san-cli" ], "scripts": { "test": "echo \"Error: no test specified author": "woodstream", "license": "MIT", "bugs": { "url": "https://github.com/woodstream/san-cli
1.3K20发布于 2018-08-20
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