一、ARIMA模型基本概念1.1自回归模型（AR）描述当前值与历史值之间的关系，用变量自身的历史数据对自身进行预测；自回归模型必须满足平稳性的要求；（何为平稳性：见时间序列数据分析基本概念）p阶自回归过程的公式定义： 其中是当前值，是常数项，p是阶数，是自相关系数，是误差。1.1.1自回归模型的限制自回归模型是用自身的数据来进行预测；必须具有平稳性；必须具有自相关性，如果自相关系数小于0.5，则不宜采用；自回归只适用于预测与自身前期相关的现象；1.2移动平均模型（MA）移动平均模型关注的是自回归模型中的误差项的累加；移动平均法能有效的消除预测中的随机波动；q阶自回归过程的公式定义
1.前言网上基于MATLAB的xgboost源码资源太少了，而且找到的工具箱还不能立马用，对新手不太友好，接下来我将研究捣鼓半天的成果和经验分享给大家。2.安装具备条件1.有matlab软件，版本越高越好，我用的是2020a。2.有matlab账号，需要去下载xgboost工具箱。3.电脑可以连外网（这个绝大部分人比较难做到）3.安装步骤1.登录matlab社区网站https://ww2.mathworks.cn/matlabcentral/fileexchange/2.账号注册3.下载工具箱工具箱下载到一个自定义文件，路径越简单越好。4.打开MATLAB软件5.修改代码路径6.下载wheel
1.前言网上基于MATLAB的xgboost源码资源太少了，而且找到的工具箱还不能立马用，对新手不太友好，接下来我将研究捣鼓半天的成果和经验分享给大家。2.安装具备条件1.有matlab软件，版本越高越好，我用的是2020a。2.有matlab账号，需要去下载xgboost工具箱。3.电脑可以连外网（这个绝大部分人比较难做到）3.安装步骤1.登录matlab社区网站https://ww2.mathworks.cn/matlabcentral/fileexchange/2.账号注册3.下载工具箱工具箱下载到一个自定义文件，路径越简单越好。4.打开MATLAB软件5.修改代码路径6.下载wheel
1.基于Logistic回归和Sigmoid函数的分类逻辑回归适合于01情况的分类就是描述一个问题是或者不是，所以就引入sigmoid函数，因为这个函数可以将所有值变成0-1之间的一个值，这样就方便算概率首先我们可以先看看Sigmoid函数(又叫Logistic函数)将任意的输入映射到了[0,1]区间我们在线性回归中可以得到一个预测值，再将该值映射到sigmoid函数中这样就完成了由值到概率的转换，也就是分类任务，公式如下：整合成一个公式，就变成了如下公式：z是一个矩阵，θ是参数列向量(要求解的)，x是样本列向量(给定的数据集)，θ^T表示θ的转置Sigmoid函数的输入记为z，由下面公式得出
1.基于Logistic回归和Sigmoid函数的分类逻辑回归适合于01情况的分类就是描述一个问题是或者不是，所以就引入sigmoid函数，因为这个函数可以将所有值变成0-1之间的一个值，这样就方便算概率首先我们可以先看看Sigmoid函数(又叫Logistic函数)将任意的输入映射到了[0,1]区间我们在线性回归中可以得到一个预测值，再将该值映射到sigmoid函数中这样就完成了由值到概率的转换，也就是分类任务，公式如下：整合成一个公式，就变成了如下公式：z是一个矩阵，θ是参数列向量(要求解的)，x是样本列向量(给定的数据集)，θ^T表示θ的转置Sigmoid函数的输入记为z，由下面公式得出
目录前言一、实验目的二、实验环境三、实验内容与结果1、SVM(supportvectorMachine)是什么？2、SVM能干什么？3、SVM如何实现？4、独热编码：独热编码（One-HotEncoding）-知乎5、 随机森林算法的基本原理四、模型构建1、读入数据2、数据初始化3、训练模型，评价分类器性能4、将数据集拆分为训练集和测试集，在测试集上查看分类效果5、数据处理总结前言随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。一、实验目的掌握机器学习建模分析掌握回归分析、分类分析、聚类分析、降维等了解各分类器之间的差异二、实验
目录前言一、实验目的二、实验环境三、实验内容与结果1、SVM(supportvectorMachine)是什么？2、SVM能干什么？3、SVM如何实现？4、独热编码：独热编码（One-HotEncoding）-知乎5、 随机森林算法的基本原理四、模型构建1、读入数据2、数据初始化3、训练模型，评价分类器性能4、将数据集拆分为训练集和测试集，在测试集上查看分类效果5、数据处理总结前言随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。一、实验目的掌握机器学习建模分析掌握回归分析、分类分析、聚类分析、降维等了解各分类器之间的差异二、实验
前言回归分析就是用于预测输入变量（自变量）和输出变量（因变量）之间的关系，特别当输入的值发生变化时，输出变量值也发生改变！回归简单来说就是对数据进行拟合。线性回归就是通过线性的函数对数据进行拟合。机器学习并不能实现预言，只能实现简单的预测。我们这次对房价关于其他因素的关系。波士顿房价预测下载相关数据集数据集是506行14列的波士顿房价数据集，数据集是开源的。wget.download(url='https://archive.ics.uci.edu/ml/machine-learning-databases/housing/housing.data',out='housing.data')wg
前言回归分析就是用于预测输入变量（自变量）和输出变量（因变量）之间的关系，特别当输入的值发生变化时，输出变量值也发生改变！回归简单来说就是对数据进行拟合。线性回归就是通过线性的函数对数据进行拟合。机器学习并不能实现预言，只能实现简单的预测。我们这次对房价关于其他因素的关系。波士顿房价预测下载相关数据集数据集是506行14列的波士顿房价数据集，数据集是开源的。wget.download(url='https://archive.ics.uci.edu/ml/machine-learning-databases/housing/housing.data',out='housing.data')wg
1简介逻辑回归也被称为广义线性回归模型，它与线性回归模型的形式基本上相同，最大的区别就在于它们的因变量不同，如果是连续的，就是多重线性回归；如果是二项分布，就是Logistic回归。Logistic回归虽然名字里带“回归”，但它实际上是一种分类方法，主要用于二分类问题（即输出只有两种，分别代表两个类别），也可以处理多分类问题。线性回归是用来预测连续变量的，其取值范围（-∞，＋∞），而逻辑回归模型是用于预测类别的，例如，用逻辑回归模型预测某物品是属于A类还是B类，在本质上预测的是该物品属于A类或B类的概率，而概率的取值范围是0～1，因此不能直接用线性回归方程来预测概率，此时就涉及到Sigmoid
