回归标签_码道开发者社区

回归

《sklearn机器学习——管道和复合估计器》回归中转换目标

本文详细解析了 sklearn 中回归任务目标变量转换的方法与实现。主要内容包括：目标转换的必要性（满足模型假设、稳定方差、处理非线性等）；常用的转换方法如对数变换、Box-Cox变换等；核心工具 TransformedTargetRegressor 的使用与参数详解。文章通过具体示例展示了如何应用这些技术，并强调了转换器选择与逆变换的注意事项，为回归建模中的目标变量预处理提供了全面指导。

m0_71002812
2025-09-07 17:21:22

 993

 14

#机器学习 #sklearn #回归
深度学习-softmax回归

我们同样使用 nn.Sequential类用来实现的顺序连接模型，首先放入一个展平层nn.Flatten()，将二维灰度图像降维，原来28*28的二维张量就变成长度为784的一维张量。接下来连接一个线性层，由于输入已经在上一层展平，所以线性层的输入长度为784，又由于我们规定结果分为10个类，所以线性层的输出长度为10。在模型初始化时，这里用了方法 model.apply() ，其会递归地遍历mo

apocalypsx
2025-09-07 21:58:41

 1124

 29

#深度学习 #回归 #人工智能
基于广义回归神经网络定向改进预测的动态多目标进化算法GRNN-DIP-DMOEA求解CEC2018MATLAB代码

一、研究背景与算法改进动因：GRNN 的预测特性适配性动态多目标优化问题（DMOOPs）中，环境变化的非线性程度与数据稀疏性仍是预测模块的核心挑战 ——CEC2018 测试集（DF1-DF14）中，DF4、DF7 等非线性场景的目标空间映射关系复杂，DF5、DF8 等离散场景的历史数据分布不均，传统 RBF 神经网络虽能局部拟合，但在数据稀疏区域易出现预测偏差，且隐含层节点中心的 K-means

Matlab科研工作室
2025-09-08 21:55:17

 767

 13

#算法 #回归 #神经网络
深度学习篇---小规模数据回归任务

本文针对小样本回归任务（几十到几百个样本）提出实用建议。核心思路是避免过拟合，推荐优先使用简单模型（线性/非线性回归、浅层决策树），慎用复杂模型。提出6个关键技巧：1）严格清洗异常值；2）精选强相关特征；3）采用交叉验证；4）添加正则化约束；5）合理数据增强；6）接受合理误差范围。强调训练与测试误差应接近，避免过度追求完美拟合。按此流程可提升30%准确率，有效规避过拟合风险。

Ronin-Lotus
2025-09-12 14:37:54

 1607

 20

#深度学习 #回归 #人工智能
小杰机器学习（six）——基于框架的线性回归——输入、定义前向模型、定义损失函数和优化器、迭代、显示、拟合图形。

有欲以观其妙，无欲以观其徼，此二者同出而异名。

jie*
2025-09-12 17:19:57

 637

 13

#机器学习 #线性回归 #人工智能 +4
顶级6种机器学习回归指标

来自MLACADEMY.AI的图表，清晰展示了六种关键回归评估指标，每个指标都配有数学公式和两点评述！🤖 欢迎评论分享你的经验，转发给小伙伴，或加入粉丝群【智能时刻的铁粉群】这些指标是机器学习回归任务中的核心工具，帮助评估模型性能！🟢 Weighted MAPE (加权平均绝对百分比误差)🟢 MAPE (平均绝对百分比误差)→ 如果模型表现比基线差，可能为负。🟢 RMSE (均方根误差)?

架构师研究会
2025-09-12 22:39:22

 111

#机器学习 #回归 #人工智能 +2
小杰机器学习（seven）——PyTorch进行线性回归——模型定义、数据集加载、保存模型、加载模型、查看网络结构。

落日与晚风，尽情的相拥。

jie*
2025-09-13 08:43:09

 1193

 25

#机器学习 #pytorch #线性回归 +4
机器学习常见的分类与回归模型目标变量系统性设计与实践（一）

机器学习实战项目中，回归与分类模型中该如何科学定义目标变量Y？

悟乙己
2025-09-15 22:38:42

 1794

 17

#机器学习 #回归 #分类
【机器学习与实战】回归分析与预测：线性回归-03-损失函数与梯度下降

【机器学习与实战】回归分析与预测：线性回归-03-损失函数与梯度下降

 AI小云
2025-09-16 10:13:13

 981

 22

#机器学习 #线性回归 #人工智能 +2
【机器学习与实战】回归分析与预测：线性回归-05-多元线性回归与实战

【机器学习与实战】回归分析与预测：线性回归-05-多元线性回归与实战

 AI小云
2025-09-17 11:35:58

 1237

 16

#机器学习 #线性回归 #人工智能 +2
线性回归与 Softmax 回归：从基础模型到深度学习入门

本文系统介绍了深度学习中的两大基础模型：线性回归和Softmax回归。线性回归用于连续值预测，通过线性方程构建特征与输出的映射关系，采用均方损失和梯度下降进行优化；Softmax回归则用于多分类任务，在线性层基础上通过Softmax函数将得分转换为概率，使用交叉熵损失优化。二者虽简单但蕴含了深度学习核心思想：任务适配的模型设计、梯度优化的参数学习、从简单到复杂的进阶路径。掌握这两个模型不仅能解决实

 蒜鸟~蒜鸟~
2025-09-17 12:11:15

 973

 6

#回归 #线性回归 #深度学习
深度学习基础：从线性回归到 Softmax 回归的完整梳理

在深度学习的知识体系中，线性回归和Softmax 回归是两大基石模型 —— 前者是解决 “连续值预测” 的入门工具（如房价估计），后者则是实现 “多类别分类” 的核心方法（如手写数字识别）。

Wah-Aug
2025-09-17 13:07:17

 899

 19

#回归 #深度学习 #线性回归
深度学习基础：线性回归与Softmax回归全面解析

线性回归是回归问题的基础模型，通过梯度下降优化。Softmax回归适用于多类分类，输出为概率分布。小批量随机梯度下降是深度学习中默认的优化算法。学习率和批量大小是训练过程中需要精心调优的超参数。

2201_75691511
2025-09-17 11:27:18

 255

 8

#回归 #深度学习 #线性回归
线性回归与 Softmax 回归：深度学习基础模型解析

线性回归与 Softmax 回归虽同属基础线性模型，但在任务目标、输出形式和损失函数上存在本质区别：线性回归针对连续值预测，输出单个连续结果，用均方损失衡量误差；Softmax 回归针对多类别分类，输出类别概率分布，用交叉熵损失优化模型。从深度学习体系来看，这两个模型是理解复杂网络的关键起点：线性回归的参数优化逻辑（梯度下降、超参数调整）可直接迁移到深度网络训练中；Softmax 回归的全连接层结

 LiJieNiub
2025-09-17 14:37:55

 496

 5

#回归 #线性回归 #深度学习
深度学习基础笔记：线性回归与Softmax回归

本文介绍了线性回归、神经网络优化及分类问题的核心概念。线性回归用于连续值预测，通过建立线性模型拟合特征与输出关系。神经网络通过梯度下降等优化算法调整参数，其中小批量随机梯度下降是常用方法，需合理设置学习率和批量大小。分类问题中，Softmax回归将输出转换为概率分布，配合交叉熵损失函数衡量预测准确性。总体而言，梯度下降是参数优化的关键，Softmax回归适用于多分类任务，超参数选择对模型性能至关重

 哈基鑫
2025-09-17 14:15:51

 295

 5

#回归 #深度学习
线性回归与 Softmax 回归：深度学习基础模型及训练逻辑解析

维度线性回归Softmax 回归核心任务预测连续值（如房价、销量）划分离散类别（如图像、文本分类）输出结果单个连续数各分类的概率（总和为 1）核心函数线性公式y = Xw + b线性公式 + Softmax 函数损失函数平方损失、L1 损失、Huber 损失交叉熵损失模型本质单层神经网络单层全连接神经网络（输出层神经元数 = 类别数）

——米
2025-09-17 15:09:06

 1053

 23

#回归 #线性回归 #深度学习
深度学习基础：线性回归与 Softmax 回归全解析，从回归到分类的桥梁

线性回归是深度学习的 “基础积木”，理解其参数优化逻辑（梯度下降、损失函数），就能迁移到复杂模型；适用场景：房价预测、销量估算、气温预测等连续值预测任务。Softmax 回归是 “回归到分类” 的关键桥梁，通过 Softmax 运算解决了分类任务的概率输出问题；适用场景：手写数字识别、图像分类（如 ImageNet 1000 类）、文本分类（如恶语评论分类）等多类分类任务。共性与延伸两者都是 “单

 41号学员
2025-09-17 14:54:58

 1135

 18

#回归 #深度学习 #线性回归
从线性回归到Softmax回归：深度学习入门的核心模型与优化之道

线性回归和 Softmax 回归是深度学习中的基础模型，分别适用于连续值预测和多类分类任务。梯度下降算法是它们背后重要的优化手段，通过不断沿着梯度反方向更新参数，逐步减小损失函数值，从而找到最优的模型参数。小批量随机梯度下降凭借其在效率和稳定性之间的良好平衡，成为了深度学习中的默认求解算法。而学习率和批量大小这两个超参数，对模型的训练效果和效率有着关键影响，需要根据具体任务进行合理选择。

shimeng121381027
2025-09-17 15:44:49

 607

 12

#回归 #线性回归 #深度学习
深度学习-线性回归与 Softmax 回归

深度学习-线性回归与 Softmax 回归

 我叫侯小科
2025-09-17 14:59:50

 1075

 30

#回归 #深度学习 #线性回归
深入解析线性回归与Softmax回归：深度学习中的基础模型

本文介绍了深度学习中两个基础模型——线性回归和Softmax回归。线性回归通过最小化预测值与真实值的差异（如平方损失函数）来解决回归问题，使用梯度下降等方法优化参数。Softmax回归则将线性输出转换为概率分布（通过Softmax函数），采用交叉熵损失进行多类分类。这两个模型分别适用于连续值预测（如房价）和离散分类任务（如图像识别），是机器学习的重要基础工具。

初学小刘
2025-09-17 15:36:05

 522

 12

#回归 #线性回归 #深度学习
深度学习之线性回归与 Softmax 回归

模型定位：线性回归用于连续值预测，Softmax 回归用于多类分类，后者可视为针对分类任务优化的单层全连接神经网络。优化核心：梯度法是参数优化的基础，通过沿损失函数的负梯度方向更新参数实现误差最小化；小批量随机梯度下降是深度学习的默认优化算法。关键超参数：批量大小和学习率直接影响模型训练效率与收敛效果，需根据任务场景合理调优。损失函数选择：回归任务可选用平方损失、L1 损失等；分类任务优先使用交叉

 Gloria_niki
2025-09-17 16:17:24

 1265

 30

#回归 #深度学习 #线性回归
从线性回归到 Softmax 回归：深度学习入门核心知识全解析

线性回归是预测连续值的基础模型，其数学表达式为y=wTx+b（多变量），可看作最简单的神经网络。Softmax回归是解决多分类问题的重要模型，通过Softmax运算将模型输出转换为概率分布，结合交叉熵损失进行训练。损失函数是衡量模型误差的标准，常见的有平方损失、L1损失、Huber损失、交叉熵损失等，需根据具体问题选择。优化算法是寻找最优参数的关键，梯度法是基础，随机梯度下降和小批量随机梯度下降是

 辞--忧
2025-09-17 16:05:26

 1219

 11

#回归 #线性回归 #深度学习
深度学习线性回归与Softmax回归

Softmax运算：将输出转为概率分布。交叉熵：L = -Σyᵢlog(ŷᵢ)学习率（learning_rate）输出层设计：分类问题用Softmax。随机梯度下降(SGD)：单样本更新。学习率选择：需平衡收敛速度与稳定性。批量大小（batch_size）核心模型：y = wx + b。损失函数：平方误差（L2损失）梯度下降：沿负梯度方向更新参数。小批量SGD：深度学习默认算法。全连接层：所有输入

 诸葛箫声
2025-09-17 16:07:58

 295

 2

#回归 #深度学习 #线性回归
深度学习笔记：线性回归与 Softmax 回归

线性回归和 Softmax 回归虽然简单，但它们是深度学习的 “敲门砖”。掌握这两个模型，不仅能解决很多基础的回归和分类问题，更重要的是能理解 “建模→损失→优化” 的核心逻辑 —— 这个逻辑在后续的神经网络、CNN、Transformer 等复杂模型中完全通用。

凳子（刘博浩）
2025-09-17 16:47:25

 1066

 9

#回归 #深度学习
线性回归与 Softmax 回归：深度学习入门核心模型解析

梯度指向函数值增加最快的方向，因此其反方向是函数值减小最快的方向，这为寻找损失最小值提供了 “方向指引”。离函数最小值点越远，梯度的绝对值越大，意味着在远离最优解时，参数调整的 “步幅” 可更大；靠近最优解时，步幅会自动减小，避免越过最优解。模型定位：线性回归是回归任务的基础模型，输出连续值；Softmax 回归是多分类任务的入门模型，通过 Softmax 运算输出概率分布，本质是单层全连接神经网

 OAFD.
2025-09-17 16:27:58

 750

 18

#回归 #线性回归 #深度学习
线性回归到 Softmax 回归：深度学习的入门双基石

摘要：线性回归和Softmax回归是深度学习的基础模型，分别用于连续值预测和离散分类任务。线性回归通过梯度下降优化参数，预测房价等连续值；Softmax回归则通过Softmax运算将输出转化为概率分布，适用于手写数字识别等多分类问题。二者虽结构简单，却体现了模型构建、损失定义和参数优化的核心思想，是理解复杂神经网络的基础。掌握这两个模型对深入学习AI至关重要。

史锦彪
2025-09-18 08:05:54

 758

 20

#回归 #线性回归 #深度学习
Day26_【深度学习（5）—线性回归案例流程】

1. 准备数据集2. 构建模型3. 模型训练 2层循环，外层遍历轮次，内层遍历批次4模型预测/评估和模型训练类似，但是比模型训练简单。

l12345sy
2025-09-18 11:48:41

 288

 7

#线性回归 #算法 #回归 +2
小杰机器学习高级（three）——逻辑回归、二分类算法

天接云涛连晓雾，星河欲转千帆舞。

jie*
2025-09-20 09:20:24

 704

 15

#机器学习 #逻辑回归 #分类 +4
小杰机器学习高级（four）——基于框架的逻辑回归

空山新雨后，天气晚来秋。明月松间照，清泉石上流。

jie*
2025-09-20 09:24:53

 1367

 21

#机器学习 #逻辑回归 #人工智能 +4
小杰机器学习高级（five）——分类算法的评估标准

连山若波涛，奔凑似朝东。

jie*
2025-09-22 19:54:50

 1208

 29

#机器学习 #分类 #人工智能 +4
小杰机器学习（nine）——支持向量机

停车坐爱枫林晚，霜叶红于二月花。

jie*
2025-09-25 16:13:53

 1605

 34

#机器学习 #支持向量机 #人工智能 +4
Logistics回归算法预测猫（吴恩达深度学习第一周视频知识点＋作业总结）

训练集样本数目：{(x1,y1),(x2,y2),……}:测试集样本数目x:nx维的特征向量 y∈{0，1}输入X ：m列，nx行 : X.shape=(nx,m)输出Y：m列，1行 :Y.shape=(1,m)

rzbxsx
2025-09-27 14:56:38

 1625

 53

#回归 #深度学习 #数据挖掘
小杰深度学习（two）——全连接与链式求导

栀子比众木，人间诚未多。

jie*
2025-09-28 22:31:03

 1306

 26

#深度学习 #人工智能 #pytorch +4
沐神《动手学深度学习》之3.3线性回归简单实现

使用PyTorch的高级API更简洁地实现线性回归模型

 2301_76895374
2025-09-30 14:57:41

 989

 18

#线性回归 #算法 #回归
沐神《动手学深度学习》之3.4softmax回归

之前我们学习了线性回归，可以用于预测多少的问题。现在我们学习另外一种回归，softmax回归，用于解决分类问题。那么接下来我们开始。Softmax回归，也称为多项逻辑回归，是一种用于解决多分类问题的模型。核心思想：对于一个输入样本，Softmax回归会为每一个可能的类别计算出一个概率值。最终，样本被预测为概率最高的那个类别。经过简单介绍之后，我们知道了这个东西大概是什么一回事，只要记住，接下来的东

 2301_76895374
2025-10-01 14:35:16

 1011

 8

#深度学习 #回归 #人工智能
SHAP分析！NRBO-Transformer-BiLSTM回归预测SHAP分析，深度学习可解释分析附Matlab代码

在工业设备健康管理领域，轴承剩余寿命（RUL）回归预测是保障设备安全运行的核心技术。Transformer-BiLSTM 模型凭借 Transformer 的全局多特征关联捕捉能力与 BiLSTM 的双向时序演化拟合特性，在 RUL 预测中实现高精度表现，但 “黑箱” 特性导致工程师难以知晓 “哪些特征主导寿命预测”“模型为何出现偏差”，制约了工程决策信任度。

Matlab_数学建模助手
2025-10-27 19:14:40

 1049

 25

#深度学习 #transformer #回归
机器学习算法来预测切削工具的剩余可用寿命、回归模型来规定最佳切削参数、用于异常检测的机器学习算法、用于芯片状态和刀具寿命曲线研究附Python代码

一、切削工具剩余可用寿命（RUL）预测的机器学习算法1. 核心问题与数据基础切削工具寿命受磨损累积（后刀面磨损 VB、月牙洼磨损）、加工载荷（切削力 Fz、扭矩 T）、环境参数（切削液温度、振动加速度）影响，RUL 预测需基于时序监测数据（采样频率 100-1000Hz），核心目标是通过历史数据建立 “特征 - 寿命” 映射模型。2. 关键技术环节特征工程：时域特征（均值、方差、峭度）+ 频域特征

 Matlab学术达人
2025-11-01 23:26:51

 865

 23

#机器学习 #算法 #回归