入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。目录一、逻辑回归简介与用途二、逻辑回归的理论推导1、问题描述和转化2、初步思路：找一个线性模型来由X预测Y3、Sigmoid函数（逻辑函数）4、刚刚的线性模型与Sigmoid函数合体5、条件概率6、极大似然估计7、求最小值时的w的两种方法——补充说明三、多类逻辑回归四、正则化1、L1正则化2、L2正则化五、逻辑回归python实现1、库函数LogisticRegression中的常用参数的介绍2、实际应用 六、逻辑回归的优缺点1、优点2、缺点一、逻辑回归简介与用途逻辑回归是线性分类器（线性模

数据库技术是信息科技领域的最为重要的技术之一。随着科技的不断进步，数据库技术得到了迅速的发展，应用范围也越来越广泛。与此同时，在数据量持续高速增长的情况下，企业对数据库也提出了更高的要求，例如数据存储越来越多，对数据库的性能要求越来越高；企业在数据迁移过程中，对数据库的兼容性、安全合规性提出了新要求；应用场景多样化也需要数据库有更强的适应能力等。而目前大火的分布式数据库，虽说可以实现对单个系统的总容量提升，但不能解决投入成本与业务容量收益的比例，即单位事务给客户带来的利润（事务利润）。如何继续提升数据库的性能？回归数据库的技术本原，数据库的单机性能重回聚光灯下。正如本原数据技术合伙人张程伟所说

如果你使用Python处理数据，你可能听说过statsmodel库。Statsmodels是一个Python模块，它提供各种统计模型和函数来探索、分析和可视化数据。该库广泛用于学术研究、金融和数据科学。在本文中，我们将介绍statsmodel库的基础知识、如何使用它以及它的好处。什么是Statsmodel库？Statsmodels是一个Python模块，它提供各种统计模型和函数来探索、分析和可视化数据。它是一个构建在NumPy、SciPy和Pandas库之上的开源库。它广泛应用于学术研究、金融和数据科学。Statsmodels有很多特性，包括：线性回归模型广义线性模型时间序列分析多元统计非参数

1.案例背景与分析策略1.1案例背景介绍某研究收集到美国50个州关于犯罪率的一组数据，包括人口、面积、收入、文盲率、高中毕业率、霜冻天数、犯罪率共7个指标，现在我们想考察一下州犯罪率和哪些指标有关。数据上传SPSSAU后，在“我的数据”中查看浏览原始数据，前5行数据如下：图1“我的数据”查看浏览数据集1.2明确目的与分析策略从数据分析的目的上，我们想了解犯罪率是否受到人口、面积、收入、文盲率、高中毕业率、霜冻天数6个方面的影响。影响因素分析，可以考虑回归分析、方差分析等统计方法，考虑到目标变量即因变量犯罪率为连续型数据，其他6个指标也为连续型变量，因此考虑尝试拟合多重线性回归模型，用以研究犯罪

得到的表格数据如下（摘自李潘的硕士论文）：0、B：系数值。系统自动计算得出。1、S.E.:标准误差标准差(StandardDeviation)，标准误差(StandardError)及置信区间（CI）通俗解释_Victor__Zhang的博客-CSDN博客_标准差缩写    反映了均值的波动情况。  2、Wals：卡方值spss中wals是什么意思_百度知道(baidu.com)卡方值，等于B除以标准误差的平方。用于检验B值是否为0.3、df：自由度spss统计分析结果中，df是什么意思？_百度知道(baidu.com)计算某一统计量时，取值不受限制的变量个数。4、Sig：显著性spss分析中

点击上方“码农的后花园”，选择“星标” 公众号精选文章，第一时间送达目标检测分为：目标分类+目标定位两个任务。目标分类就是要对该目标进行分类以确定该目标属于什么类别以及其属于该类别的置信度。目标定位是要在图像中确定目标的位置，输出其在图像中的坐标信息。目标定位依赖一个边界框回归模块去定位目标。边界框回归是指使用矩形边界框去预测目标对象在图像中的位置，然后不断细化预测边界框的位置。不断细化预测的边界框的位置是通过定义边界框回归损失函数、计算回归损失值Loss然后进行反向梯度下降实现的。一开始定义计算边界框回归的损失函数使用的还是基于L1、L2距离范数。基于L1范数定义的边界框损失函数是指预测边界

机器学习在预测方面的应用，根据预测值变量的类型可以分为分类问题（预测值是离散型）和回归问题（预测值是连续型），前面我们介绍了机器学习建模处理了分类问题（具体见之前的文章），接下来我们以波斯顿房价数据集为例，做一个回归预测系列的建模文章。实现功能：使用sklearn提供的支持向量机回归（SVR）的API对波士顿房价数据集进行预测，并尝试将预测结果进行分析。实现代码：fromsklearn.datasetsimportload_bostonimportpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltimportseabornassnsfro

一、区块链        区块链源于比特币，比特币交易系统背后的技术就是用的区块链技术，相对于现实社会中，账本往往掌握在少数人手中，比如会计等，账本是集中的，而比特币交易中每个人手中都有一份账本，交易系统每次通过一定的奖励机制安排一个网络用户来记录账本，记录完成后会公布账本，因为账本传播的方式是p2p也就点到点的方式，所以账本是分布式账本，如果有人像篡改账本，那就要修改所有账本，所以账本具有公开透明，账目可靠，去中心化等特点，区块链技术从本质上讲，它是一个共享数据库，存储于其中的数据或信息，具有“不可伪造”“全程留痕”“可以追溯”“公开透明”“集体维护”等特征，区块链在金融，支付等方面有非常大

回归分析是研究一个因变量与一个或多个自变量之间的线性或非线性关系的一种统计分析方法。下面我们主要从下面四个方面来解说： 实际应用理论思想建立模型 分析结果 一、实际应用 回归分析方法理论成熟，它可以确定变量之间的定量关系并进行相应的预测，反映统计变量之间的数量变化规律，为研究者准确把握自变量对因变量的影响程度和方向提供有效的方法，在经济、金融和社会科学方面具有广泛的应用。 回归分析研究分析某一变量受其他变量影响的分析方法，它以被影响变量为因变量，以影响变量为自变量，研究因变量与自变量之间的因果关系，包括简单线性回归、多重线性回归、曲线回归、非线性回归、加权最小二乘回归、二阶段最小二乘回归、Lo

接上篇(1条消息)多元线性回归算法（matlab）_成、谋的博客-CSDN博客本篇博客主要参考自文章：(1条消息)数学建模暑期集训6：用SPSS对数据进行多元线性回归分析_zstar-_的博客-CSDN博客_多元线性回归分析spss1.数据三个变量：树干直径、树干高度、树干体积，树干体积和树干直径、高度有关。2.画散点图多元线性回归分析之前，先看看数据是否能近似成线性的。图中可以看到，体积和直径线性关系很明显，和高度也有一定关系，因此继续进行线性回归分析3.回归参数设置分析->回归->线性进入设置说明一下：（独立性检验DW）DW=2，表示无自相关，DW=4，表示完全负自相关,DW=0，表示完全