Advertisement

Kernel Regression with Variable Window Width: Gaussian Kernel Regression and Local Linear Gaussian Kernel Regression with Variable Windows...

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本文提出使用可变窗口宽度的高斯核回归和局部线性高斯核回归方法，以提高非参数回归模型的灵活性与精度。 这与 ksr 和 ksrlin 相同（文件 ID：#19195 和 #19564），但不是对每个点使用相同的带宽，而是使用由每个点到其第 k 个最近邻点的距离给出的可变带宽。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Kernel Regression with Variable Window Width: Gaussian Kernel Regression and Local Linear Gaussian Kernel
    优质
    本文提出使用可变窗口宽度的高斯核回归和局部线性高斯核回归方法，以提高非参数回归模型的灵活性与精度。 这与 ksr 和 ksrlin 相同（文件 ID：#19195 和 #19564），但不是对每个点使用相同的带宽，而是使用由每个点到其第 k 个最近邻点的距离给出的可变带宽。
     
  • Kernel Ridge Regression：采用多种 Kernel 的 Kernel Ridge Regression-ma...
    优质
    本研究探讨了使用多样KERNEL函数的核岭回归(KRR)方法，旨在通过灵活调整KERNEL参数优化模型性能，适用于各种复杂数据集。 核岭回归（KRR）结合了岭回归与核技巧，其中岭回归是线性最小二乘法加上L2范数正则化方法。因此，它在由给定内核和数据定义的空间中学习线性函数。对于非线性内核而言，在原始输入空间中的对应关系则是非线性的函数。Kernel Ridge 学习到的模型形式类似于支持向量回归（SVR）。
     
  • Data Processing with Jupyter: A Simple Linear Regression Example with Visualization - Source Code
    优质
    本教程通过Jupyter Notebook展示了一个简单的线性回归示例，并包含数据处理和可视化代码。读者可以学习如何使用Python进行数据分析与模型构建。 data_processing_jupyter 包含一个简单的线性回归数据处理示例的实现，具有可视化功能。
     
  • Supervised-Image-Learning-on-MNIST-with-SVM-and-Logistic-Regression
    优质
    本项目通过支持向量机(SVM)和逻辑回归在MNIST数据集上进行监督图像学习，对比分析两种算法在手写数字识别中的性能。 利用SVM和支持向量机进行MNIST数据集的监督图像学习。有两个相关的Python文件：一个是用于逻辑回归的`log_reg.py`，另一个是用于支持向量机（SVM）的`SVM.py`。这些程序既可以在PyCharm中运行，也可以通过在终端输入“python log_reg.py”和“python SVM.py”来执行。可以按照原样运行这两个文件，或者调整以下部分或全部超参数后运行： - `num_epochs`: 训练的周期数 - `learn_rate`: 随机梯度下降（SGD）的学习率 - 动量：随机梯度下降动量中的动量大小
     
  • A Modern Approach to Regression with R: Algorithm Fitting
    优质
    本书《A Modern Approach to Regression with R》采用R语言讲解回归分析，侧重于算法拟合技术，为读者提供现代数据分析方法。 《用R进行回归的现代方法：史宾格统计学教程》是一本介绍如何利用R语言进行回归分析的书籍或教学资料，特别强调了采用当前最先进手段来进行相关统计学学习的方法论。这本书籍或者课程资源中详细讲解了如何使用R编程语言来执行复杂的统计模型和数据分析任务，并且通过实例展示了其在实际问题解决中的应用价值。
     
  • Efficient GP Regression via Kalman Filtering: Achieving Effective Spatio-temporal Gaussian Processes
    优质
    本文提出了一种基于卡尔曼滤波的有效高斯过程回归方法，通过迭代卡尔曼滤波技术实现高效的时空高斯过程建模。 通过卡尔曼滤波进行有效GP回归可以参考两篇论文的存储库中的简单实现代码：[1] A.Carron, M.Todescato, R.Carli, L.Schenato, G.Pillonetto，机器学习遇到了Kalman Filtering, 2016年第55届决策与控制会议论文集，第4594-4599页。 [2] M.Todescato, A.Carron, R.Carli, G.
     
  • Static Gaussian Process with Determined Hyperparameters.zip
    优质
    这个压缩文件包含了一个使用确定性超参数的静态高斯过程模型的相关代码和文档。该方法适用于快速原型设计和简化模型调整流程。 MATLAB实现高斯过程的入门级程序非常简洁且注释清晰易懂。该程序展示了在已知超参数的情况下如何在一个静态系统中实现高斯过程，并利用已知的输入输出数据进行模拟与预测，同时生成包含95%置信度区间的预测图像。
     
  • Car-Price-Prediction-with-Linear-Regression: 用于汽车价格预测的线性回归模型
    优质
    本项目运用线性回归算法建立汽车价格预测模型，通过分析影响车价的关键因素，为购车者提供准确的价格参考。 吉利汽车计划在美国市场设立生产部门，并希望通过竞争进入美国及欧洲的汽车行业。为此，他们聘请了一家咨询公司来研究影响美国市场上汽车定价的因素，因为这些因素可能与中国市场的有所不同。 该公司希望了解以下几点： - 哪些变量对预测汽车价格有重要影响。 - 这些变量如何有效地描述汽车的价格。 基于市场调查的数据集，该咨询公司将利用各种独立变量构建一个线性回归模型来预测汽车价格。管理层将通过此模型理解自变量的变化是如何影响价格的，并据此调整设计和商业策略以达到目标价位。 此外，这个模型还将帮助管理层更好地了解新市场的定价动态。我们将使用包含多种类型汽车的数据集来进行这项工作。
     
  • Windows Kernel Programming.pdf (2019)
    优质
    《Windows Kernel Programming》是一本深入探讨微软Windows操作系统核心编程技术的专业书籍，适合高级开发者和系统架构师阅读。该书由Microsoft Press于2019年出版，旨在帮助读者理解并掌握Windows内核的底层机制与实现技巧。 在Windows操作系统中，内核的力量无可比拟——但如何编写内核驱动程序来充分利用这种力量呢？这本书将向你展示方法。 本书详细介绍了为Windows系统编写的软件内核驱动程序编程技术。这些驱动程序并不涉及硬件，而是与系统的各个部分打交道：进程、线程、模块、注册表等。通过使用内核代码，可以监控重要的事件，并在必要时阻止某些事件的发生。还可以编写各种过滤器来拦截可能感兴趣的调用。
     
  • 多变量线性回归在机器学习中的应用（Linear Regression with Multiple Variables）.md
    优质
    本文档探讨了多变量线性回归在机器学习领域的应用，通过介绍其原理、公式以及实际案例，深入解析如何使用该模型解决复杂的数据预测问题。 机器学习中的线性代数基础： 3.1 矩阵与向量 3.2 加法及标量乘法 3.3 矩阵与向量的乘法运算 3.4 矩阵乘法操作 3.5 矩阵乘法特性 3.6 逆矩阵和转置